CN110942466B - 一种基于深度学习技术的脑动脉分割方法及装置 - Google Patents
一种基于深度学习技术的脑动脉分割方法及装置 Download PDFInfo
- Publication number
- CN110942466B CN110942466B CN201911158338.9A CN201911158338A CN110942466B CN 110942466 B CN110942466 B CN 110942466B CN 201911158338 A CN201911158338 A CN 201911158338A CN 110942466 B CN110942466 B CN 110942466B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- data
- learning model
- network
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度学习技术的脑动脉分割方法及装置,其中方法包括:对人体脑部磁共振血管造影MRA图像进行预处理,得到预处理数据;将预处理数据作为深度学习模型的输入,对深度学习模型进行训练,得到训练好的深度学习模型,其中,深度学习模型包括空洞密集网络;获取待分割数据,将待分割数据作为训练好的深度学习模型的输入,利用训练好的深度学习模型对待分割数据进行分割预测,得到脑部动脉血管二值体数据;通过阈值分割方法对脑部动脉血管二值体数据进行处理,得到脑动脉分割结果。本发明可以提高现有基于深度学习方法分割血管的精度和速度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于深度学习技术的脑动脉分割方法及装置。
背景技术
医学图像中血管的全自动分割问题一直是医学界和学术界关注的一大难题。人体脑部血管系统主要由脑动脉和脑静脉两类血管网络构成,该整套的血管系统为脑细胞提供至关重要的营养和氧气。对脑部血管网络进行成像最流行的技术之一为磁共振血管成像(MRA),通过该技术可以增强医学图像中血管的显示效果,更有助于可视分析。磁共振血管成像数据采集技术中包含多个模态,临床常用的技术有时间飞越技术(Time of Flight,TOF)、相位对比技术(Phase Contrast,PC)和新鲜血液成像技术(Fresh Blood Imaging,FBI)。在本发明中使用时间飞越技术获取的磁共振血管成像,利用深度学习方法从中自动地分割脑部动脉网络。
相比于手工定义的特征,深度学习方法由于其超强的特征表达能力被广泛应用于实际的生产和生活中。深度学习方法的核心思想是利用多重非线性变换来获取原始数据的抽象表达,从而进一步得到原始任务的解。在图像处理领域,深度学习方法中的卷积神经网络(Convolutional Neural Network,CNN)在很多问题的性能上要远优于传统方法。近几年来,卷积神经网络越来越多地应用在了医学图像处理领域,如医学图像的分类、分割、配准和去噪等任务。同样,在血管分割领域深度学习也取得了不错的进展。
现有的基于深度学习技术进行医学图像中血管分割的方法主要存在以下问题:
(1)没有得到多尺度特征表示。因为医学图像中的血管有多种尺度,很多现有的基于深度学习的血管分割方法没有考虑多尺度信息,因此得到的最终的血管分割效果不够理想;
(2)提取的上下文信息不够丰富。因为血管是细长结构,因此小范围的上下文信息不能够表达复杂的血管结构,所以网络在分割过程中容易出现过分割或者欠分割的结果;
(3)网络参数量较大,在训练的过程中容易出现过拟合情况。因为可用于血管分割的医学图像数据量较少,因此对于较大的网络结构,在训练过程中容易出现过拟合的情况。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于深度学习技术的脑动脉分割方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种基于深度学习技术的脑动脉分割方法,包括:对人体脑部磁共振血管造影MRA图像进行预处理,得到预处理数据;将预处理数据作为深度学习模型的输入,对深度学习模型进行训练,得到训练好的深度学习模型,其中,深度学习模型包括空洞密集网络(Dilation Dense Net,DDNet);获取待分割数据,将待分割数据作为训练好的深度学习模型的输入,利用训练好的深度学习模型对待分割数据进行分割预测,得到脑部动脉血管二值体数据;通过阈值分割方法对脑部动脉血管二值体数据进行处理,得到脑动脉分割结果。
其中,预处理包括:各向同性预处理和归一化处理。
其中,将预处理数据作为深度学习模型的输入包括:将预处理数据进行切分,得到多个数据块;以批为单位将数据块作为深度学习模型的输入。
其中,对深度学习模型进行训练,得到训练好的深度学习模型包括:通过迭代地反向传播优化网络参数的方式训练深度学习网络,当训练过程收敛时得到训练好的深度学习模型。
其中,空洞密集网络包括:编码部分和解码部分;编码部分包括:三个归约模块;解码部分包括:三个上采样模块和四个密集膨胀模块,每个上采样模块被密集膨胀模块包围。
本发明另一方面提供了一种基于深度学习技术的脑动脉分割装置,包括:预处理模块,用于对人体脑部磁共振血管造影MRA图像进行预处理,得到预处理数据;训练模块,用于将预处理数据作为深度学习模型的输入,对深度学习模型进行训练,得到训练好的深度学习模型,其中,深度学习模型包括空洞密集网络(Dilation Dense Net,DDNet);预测模块,用于获取待分割数据,将待分割数据作为训练好的深度学习模型的输入,利用训练好的深度学习模型对待分割数据进行分割预测,得到脑部动脉血管二值体数据;处理模块,用于通过阈值分割方法对脑部动脉血管二值体数据进行处理,得到脑动脉分割结果。
其中,预处理包括:各向同性预处理和归一化处理。
其中,训练模块通过如下方式将预处理数据作为深度学习模型的输入:训练模块,具体用于将预处理数据进行切分,得到多个数据块;以批为单位将数据块作为深度学习模型的输入。
其中,训练模块通过如下方式对深度学习模型进行训练,得到训练好的深度学习模型:训练模块,具体用于通过迭代地反向传播优化网络参数的方式训练深度学习网络,当训练过程收敛时得到训练好的深度学习模型。
其中,空洞密集网络包括:编码部分和解码部分;编码部分包括:三个归约模块;
解码部分包括:三个上采样模块和四个密集膨胀模块,每个上采样模块被密集膨胀模块包围。
由此可见,通过本发明提供的基于深度学习技术的脑动脉分割方法及装置,其输入为脑部三维磁共振血管造影图像,输出为分割得到的脑部动脉血管二值体数据的方案,相比于已有的从TOF-MRA中自动分割脑动脉网络的深度模型,本发明DDNet的优势如下:
(1)分割精度更高。实验验证本发明在DSC(Dice Similarity Coefficient)这项评价指标上优于之前的深度学习模型;
(2)模型参数量更少。与现有的用于分割的模型相比,本发明提出的模型训练参数量减少39%~44%;
(3)特征提取能力更强。通过空洞卷积、密集连接和跳跃卷积等机制,该网络能够提取多尺度特征并融合高层语义信息,使得模型对于原始图像有更好的特征提取能力。
可以提高现有的基于深度学习方法分割血管的精度和速度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于深度学习技术的脑动脉分割方法的总体流程图;
图2为本发明实施例提供的深度学习模型训练过程的流程图;
图3为本发明实施例提供的另一种基于深度学习技术的脑动脉分割方法的流程图;
图4为本发明实施例提供的又一种基于深度学习技术的脑动脉分割方法的流程图;
图5为本发明实施例提供的一种基于深度学习技术的脑动脉分割装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的基于深度学习技术的脑动脉分割方法的总体流程图,参见图1,本发明实施例提供的基于深度学习技术的脑动脉分割方法,包括:
101、数据预处理:
其中,数据为人脑部磁共振血管造影MRA数据。
本发明实施例中输入数据为人体脑部MRA图像。
本发明实施例中,预处理操作包括各向同性预处理和归一化处理两个步骤。
首先采用三线性插值的方法使得MRA数据和标注数据体素间隔各向同性,为a mm*a mm*a mm。因为标注数据是二值图像,所以在三线性插值过程中采用最近邻插值的模式,即插值体素的灰度值由其最近邻的体素灰度值决定,以保证标注图像经过插值后仍然为二值图像。然后对数据进行归一化,即每个体素的灰度值都除当前图像中最大灰度值,这样可以提升网络在训练过程中的收敛性能。
102、深度学习模型训练:
通过设计并实现适用于脑动脉分割的深度神经网络,经过大数据训练后,得到能够自动预测数据中脑动脉的模型。
具体地,首先,设计并实现适用于人体脑部动脉分割的深度神经网络;该深度神经网络的输入为数据预处理结果,通过迭代地反向传播优化网络参数的方式训练本发明实施例设计的深度学习网络,当训练过程收敛时即可得到可用于脑动脉分割的模型。
本发明实施例提出了一种新的端到端的利用卷积神经网络全自动地进行脑部动脉分割网络—空洞密集网络DDNet,该网络能够获取脑部动脉网络的多尺度表示,需要较少的计算量就能得到最终的脑部动脉网络分割结果。
本发明实施例提出的DDNet网络结构由编码部分和解码部分两个路径构成。在编码部分和解码部分分别应用了本发明实施例提出的归约模块和密集膨胀模块。其中:编码部分由三个归约模块构成,输入数据或特征图经过每个归约模块后其分辨率会降低一倍;解码部分每个上采样模块都被密集膨胀模块包围,其中上采样模块的个数与编码阶段归约模块的个数相同,本发明实施例的DDNet网络共由四个密集膨胀模块构成,具体排布为密集膨胀模块1、上采样模块1、密集膨胀模块2、上采样模块2、密集膨胀模块3、上采样模块3以及密集膨胀模块4。该模型能够提取多尺度感受野的特征,并能够将高层次语义特征融合到一起,在参数量较少的情况下得到较好的脑动脉分割效果。
由此可见,该网络是全卷积编码解码网络的一种,对于编码解码网络,如U-Net,是专门为了分割任务而设计的一种网络结构,只需要少量的训练数据就能获得不错的图像分割效果,其分割的准确度和速度都要优于基于滑动窗口的卷积神经网络。编码解码网络是一种全卷积神经网络,即该网络架构中不包含全连接层。编码解码网络的编码阶段主要通过卷积和降低图像尺度的方式学习原始数据的特征表示,捕获输入图像的上下文信息。经过编码阶段后,会得到原始数据的一个浓缩的表示,解码阶段通过上采样等步骤逐步将特征图还原到原始图像大小,并且网络最终输出通道数与分割类别数目相同。解码器的主要功能是精确定位。
本发明的DDNet在编码和解码具体的模块中采用了密集连接的机制、Inception机制和空洞卷积机制等,因此网络需要更少的参数量就能得到较好的分割结果。此外,为了控制网络的参数大小,本发明的DDNet网络还采用了一维卷积操作,即卷积核大小为1*1*1,用于缩小特征图的个数。DDNet由编码器和解码器两部分构成。编码器部分不断的缩小输入大小,增大感受野,解码器部分对输入进行上采样,最终输出大小为原输入大小。
将预处理后的数据输入到DDNet中进行训练,通过反向传播算法更新网络中参数,直至模型收敛。
103、应用训练好的模型进行脑动脉预测分割:
步骤102得到训练好的模型后,可将该模型直接用于新数据中脑动脉分割预测中。
104、利用阈值分割方法得到脑动脉分割结果:
其中步骤103得到原始图像每个体素属于脑动脉的概率,通过本步骤的阈值分割方法,可以分割得到最终脑动脉二值体数据。
作为本发明实施例的一个可选实施方式,作为对图1所示实施例的步骤102进行细化及扩展,本发明还提供了一种深度学习模型训练过程的流程图。如图2所示,该实施例中深度学习模型训练过程包括:
201、获取MRA数据:
本步骤获取足够数量的人体头部MRA数据用于模型训练。
202、数据预处理:
本步骤同101。
203、数据切分:
由于原始图像较大,显存和内存等硬件资源有限,因此将输入图像切分为大小为m*n*k的块(patch)。
204、以批为单位将数据块输入到深度神经网路中训练模型:
将203得到的数据块以批为单位输入到DDNet中进行训练,通过反向传播算法更新网络中参数,直至模型收敛。
205、得到训练好的用于脑动脉分割的深度学习模型:
将204训练好的模型的模型架构和模型权重进行保存,用于预测阶段。
作为本发明实施例的一个可选实施方式,作为对上述图1所示方法的实现,图3还示出了本发明实施例提供的另一种基于深度学习的脑动脉分割预测方法的流程图,该基于深度学习的脑动脉分割预测方法包括以下步骤:
301、获取MRA数据:该步骤301执行的操作与201相同。
302、数据预处理:该步骤302执行的操作与202相同。
303、数据切分:该步骤303执行的操作与203相同。
304、以批为单位将数据输入到训练好的深度神经网络中得到分割预测结果:
在模型预测阶段,将数据输入到训练好的模型中后,最后的输出即为预测结果,此过程不会改变网络参数。
305、阈值分割:
由于本发明实现的DNNet网络最后采用Sigmoid激活函数得到最终的输出结果,所以网络输出为每个体素点属于血管的概率,本发明采用阈值分割的方法得到最终的血管二值分割结果。即网络输出的概率图中值大于阈值的体素为前景(血管),否则为背景。
306、输出脑动脉二值分割结果:
通过前述步骤后,即可将分割结果保存为文件形式,或者采用等值面生成或体绘制方法将分割结果绘制出来显示给用户。
作为本发明实施例的一个可选实施方式,图4示出了本发明实施例提供的又一种基于深度学习技术的脑动脉分割方法的流程图,参见图4,本发明实施例提供的又一种基于深度学习技术的脑动脉分割方法,包括:
401,对人体脑部磁共振血管造影MRA图像进行预处理,得到预处理数据。
作为本发明实施例的一个可选实施方式,预处理包括:各向同性预处理和归一化处理。
具体地,首先采用三线性插值的方法使得MRA数据和标注数据体素间隔各向同性,为a mm*a mm*a mm。因为标注数据是二值图像,所以在三线性插值过程中采用最近邻插值的模式,即插值体素的灰度值由其最近邻的体素灰度值决定,以保证标注图像经过插值后仍然为二值图像。然后对数据进行归一化,即每个体素的灰度值都除以当前图像中最大灰度值,这样可以提升网络在训练过程中的收敛性能。
402,将预处理数据作为深度学习模型的输入,对深度学习模型进行训练,得到训练好的深度学习模型,其中,深度学习模型包括空洞密集网络。
作为本发明实施例的一个可选实施方式,将预处理数据作为深度学习模型的输入包括:将预处理数据进行切分,得到多个数据块;以批为单位将数据块作为深度学习模型的输入。
作为本发明实施例的一个可选实施方式,对深度学习模型进行训练,得到训练好的深度学习模型包括:通过迭代地反向传播优化网络参数的方式训练深度学习网络,当训练过程收敛时得到训练好的深度学习模型。
作为本发明实施例的一个可选实施方式,空洞密集网络包括:编码部分和解码部分;编码部分包括:三个归约模块;解码部分包括:三个上采样模块和四个密集膨胀模块,每个上采样模块被密集膨胀模块包围。
具体地,本发明实施例提出了一种新的端到端的利用卷积神经网络全自动地进行脑部动脉分割网络—空洞密集网络DDNet,该网络能够获取脑部动脉网络的多尺度表示,需要较少的计算量就能得到最终的脑部动脉网络分割结果。
本发明实施例提出的DDNet网络结构由编码部分和解码部分两个路径构成。在编码部分和解码部分分别应用了本发明实施例提出的归约模块和密集膨胀模块。其中:编码部分由三个归约模块构成,输入数据或特征图经过每个归约模块后其分辨率会降低一倍;解码部分每个上采样模块都被密集膨胀模块包围,其中上采样模块的个数与编码阶段归约模块的个数相同,本发明实施例的DDNet网络共由四个密集膨胀模块构成,具体排布为密集膨胀模块1、上采样模块1、密集膨胀模块2、上采样模块2、密集膨胀模块3、上采样模块3以及密集膨胀模块4。该模型能够提取多尺度感受野的特征,并能够将高层次语义特征融合到一起,在参数量较少的情况下得到较好的脑动脉分割效果。
由此可见,该网络是全卷积编码解码网络的一种,对于编码解码网络,如U-Net,是专门为了分割任务而设计的一种网络结构,只需要少量的训练数据就能获得不错的图像分割效果,其分割的准确度和速度都要优于基于滑动窗口的卷积神经网络。编码解码网络是一种全卷积神经网络,即该网络架构中不包含全连接层。编码解码网络的编码阶段主要通过卷积和降低图像尺度的方式学习原始数据的特征表示,捕获输入图像的上下文信息。经过编码阶段后,会得到原始数据的一个浓缩的表示,解码阶段通过上采样等步骤逐步将特征图还原到原始图像大小,并且网络最终输出通道数与分割类别数目相同。解码器的主要功能是精确定位。
本发明的DDNet在编码和解码具体的模块中采用了密集连接的机制、Inception机制和空洞卷积机制等,因此网络需要更少的参数量就能得到较好的分割结果。此外,为了控制网络的参数大小,本发明的DDNet网络还采用了一维卷积操作,即卷积核大小为1*1*1,用于缩小特征图的个数。DDNet由编码器和解码器两部分构成。编码器部分不断的缩小输入大小,增大感受野,解码器部分对输入进行上采样,最终输出大小为原输入大小。
将203得到的数据块以批为单位输入到DDNet中进行训练,通过反向传播算法更新网络中参数,直至模型收敛。
403,获取待分割数据,将待分割数据作为训练好的深度学习模型的输入,利用训练好的深度学习模型对待分割数据进行分割预测,得到脑部动脉血管二值体数据;
404,通过阈值分割方法对脑部动脉血管二值体数据进行处理,得到脑动脉分割结果。
具体地,本发明实现的DDNet网络最后采用Sigmoid激活函数得到最终的输出结果,所以网络输出为每个体素点属于血管的概率,本发明采用阈值分割的方法得到最终的血管二值分割结果。即网络输出的概率图中值大于阈值的体素为前景(血管),否则为背景。
作为本发明实施例的一个可选实施方式,在步骤404之后,本发明实施例提供的基于深度学习技术的脑动脉分割方法还可以包括:输出脑动脉分割结果。具体地,通过前述步骤后,即可将分割结果保存为文件形式,或者采用等值面生成或体绘制方法将分割结果绘制出来显示给用户。
由此可见,通过本发明提供的基于深度学习技术的脑动脉分割方法,其输入为脑部三维磁共振血管造影图像,输出为分割得到的脑部动脉血管二值体数据的方案,相比于已有的从TOF-MRA中自动分割脑动脉网络的深度模型,本发明DDNet的优势如下:
(1)分割精度更高。实验验证本发明在DSC(Dice Similarity Coefficient)这项评价指标上优于之前的深度学习模型;
(2)模型参数量更少。与现有的用于分割的模型相比,本发明提出的模型训练参数量减少39%~44%;
(3)特征提取能力更强。通过空洞卷积、密集连接和跳跃卷积等机制,该网络能够提取多尺度特征并融合高层语义信息,使得模型对于原始图像有更好的特征提取能力。
可以提高现有的基于深度学习方法分割血管的精度和速度。
图5示出了本发明实施例提供的基于深度学习技术的脑动脉分割装置的结构示意图,本发明实施例提供的基于深度学习技术的脑动脉分割装置利用上述基于深度学习技术的脑动脉分割方法,在此仅对本发明实施例提供的基于深度学习技术的脑动脉分割装置进行简要说明,其他未尽事宜,请参照上述基于深度学习技术的脑动脉分割方法的相关说明,在此不再赘述,参见图5,本发明实施例提供的基于深度学习技术的脑动脉分割装置,包括:
预处理模块,用于对人体脑部磁共振血管造影MRA图像进行预处理,得到预处理数据;
训练模块,用于将预处理数据作为深度学习模型的输入,对深度学习模型进行训练,得到训练好的深度学习模型,其中,深度学习模型包括空洞密集网络;
预测模块,用于获取待分割数据,将待分割数据作为训练好的深度学习模型的输入,利用训练好的深度学习模型对待分割数据进行分割预测,得到脑部动脉血管二值体数据;
处理模块,用于通过阈值分割方法对脑部动脉血管二值体数据进行处理,得到脑动脉分割结果。
作为本发明实施例的一个可选实施方式,预处理包括:各向同性预处理和归一化处理。
作为本发明实施例的一个可选实施方式,训练模块通过如下方式将预处理数据作为深度学习模型的输入:训练模块,具体用于将预处理数据进行切分,得到多个数据块;以批为单位将数据块作为深度学习模型的输入。
作为本发明实施例的一个可选实施方式,训练模块通过如下方式对深度学习模型进行训练,得到训练好的深度学习模型:训练模块,具体用于通过迭代地反向传播优化网络参数的方式训练深度学习网络,当训练过程收敛时得到训练好的深度学习模型。
作为本发明实施例的一个可选实施方式,空洞密集网络包括:编码部分和解码部分;编码部分包括:三个归约模块;解码部分包括:三个上采样模块和四个密集膨胀模块,每个上采样模块被密集膨胀模块包围。
作为本发明实施例的一个可选实施方式,本发明实施例提供的基于深度学习技术的脑动脉分割装置还可以包括:输出模块,用于输出脑动脉分割结果。
由此可见,通过本发明提供的基于深度学习技术的脑动脉分割装置,其输入为脑部三维磁共振血管造影图像,输出为分割得到的脑部动脉血管二值体数据的方案,相比于已有的从TOF-MRA中自动分割脑动脉网络的深度模型,本发明DDNet的优势如下:
(1)分割精度更高。实验验证本发明在DSC(Dice Similarity Coefficient)这项评价指标上优于之前的深度学习模型;
(2)模型参数量更少。与现有的用于分割的模型相比,本发明提出的模型训练参数量减少39%~44%;
(3)特征提取能力更强。通过空洞卷积、密集连接和跳跃卷积等机制,该网络能够提取多尺度特征并融合高层语义信息,使得模型对于原始图像有更好的特征提取能力。
可以提高现有的基于深度学习方法分割血管的精度和速度。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种基于深度学习技术的脑动脉分割方法,其特征在于,包括:
对人体脑部磁共振血管造影MRA图像进行预处理,得到预处理数据;
将所述预处理数据作为深度学习模型的输入,对所述深度学习模型进行训练,得到训练好的深度学习模型,其中,所述深度学习模型包括空洞密集网络;
获取待分割数据,将所述待分割数据作为所述训练好的深度学习模型的输入,利用所述训练好的深度学习模型对所述待分割数据进行分割预测,得到脑部动脉血管二值体数据;
通过阈值分割方法对所述脑部动脉血管二值体数据进行处理,得到脑动脉分割结果;
其中,所述预处理包括:各向同性预处理和归一化处理;
所述空洞密集网络包括:编码部分和解码部分;所述编码部分包括:三个归约模块,输入数据或特征图经过每个所述归约模块后其分辨率会降低一倍;所述解码部分包括:三个上采样模块和四个密集膨胀模块,每个所述上采样模块被所述密集膨胀模块包围。
2.根据权利要求1所述的方法,其特征在于,所述将所述预处理数据作为深度学习模型的输入包括:
将所述预处理数据进行切分,得到多个数据块;
以批为单位将所述数据块作为深度学习模型的输入。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述深度学习模型进行训练,得到训练好的深度学习模型包括:
通过迭代地反向传播优化网络参数的方式训练所述深度学习网络,当训练过程收敛时得到所述训练好的深度学习模型。
4.一种基于深度学习技术的脑动脉分割装置,其特征在于,包括:
预处理模块,用于对人体脑部磁共振血管造影MRA图像进行预处理,得到预处理数据;
训练模块,用于将所述预处理数据作为深度学习模型的输入,对所述深度学习模型进行训练,得到训练好的深度学习模型,其中,所述深度学习模型包括空洞密集网络;
预测模块,用于获取待分割数据,将所述待分割数据作为所述训练好的深度学习模型的输入,利用所述训练好的深度学习模型对所述待分割数据进行分割预测,得到脑部动脉血管二值体数据;
处理模块,用于通过阈值分割方法对所述脑部动脉血管二值体数据进行处理,得到脑动脉分割结果;
其中,所述预处理包括:各向同性预处理和归一化处理;
所述空洞密集网络包括:编码部分和解码部分;所述编码部分包括:三个归约模块,输入数据或特征图经过每个所述归约模块后其分辨率会降低一倍;所述解码部分包括:三个上采样模块和四个密集膨胀模块,每个所述上采样模块被所述密集膨胀模块包围。
5.根据权利要求4所述的装置,其特征在于,所述训练模块通过如下方式将所述预处理数据作为深度学习模型的输入:
所述训练模块,具体用于将所述预处理数据进行切分,得到多个数据块;以批为单位将所述数据块作为深度学习模型的输入。
6.根据权利要求4或5所述的装置,其特征在于,所述训练模块通过如下方式对所述深度学习模型进行训练,得到训练好的深度学习模型:
所述训练模块,具体用于通过迭代地反向传播优化网络参数的方式训练所述深度学习网络,当训练过程收敛时得到所述训练好的深度学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911158338.9A CN110942466B (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习技术的脑动脉分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911158338.9A CN110942466B (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习技术的脑动脉分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942466A CN110942466A (zh) | 2020-03-31 |
CN110942466B true CN110942466B (zh) | 2022-11-15 |
Family
ID=69907384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911158338.9A Active CN110942466B (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习技术的脑动脉分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942466B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986101B (zh) * | 2020-07-09 | 2024-06-18 | 浙江工业大学 | 一种脑血管图谱构建方法 |
CN112288749A (zh) * | 2020-10-20 | 2021-01-29 | 贵州大学 | 一种基于深度迭代融合深度学习模型的颅骨图像分割方法 |
CN112785581A (zh) * | 2021-01-29 | 2021-05-11 | 复旦大学附属中山医院 | 基于深度学习的提取训练大血管cta成像的培训方法和装置 |
CN113011556B (zh) * | 2021-02-20 | 2022-10-11 | 安徽大学 | 基于INC-DenseUnet网络识别模型建立方法 |
CN113538451B (zh) * | 2021-05-14 | 2024-03-26 | 深圳市青云智图医疗科技有限公司 | 一种深静脉血栓的磁共振图像分割方法及装置,电子设备及存储介质 |
CN114511526A (zh) * | 2022-01-24 | 2022-05-17 | 清华大学 | 一种基于深度学习的动脉瘤分割方法和装置 |
CN114943682A (zh) * | 2022-02-25 | 2022-08-26 | 清华大学 | 三维血管造影图像中解剖学关键点的检测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
WO2018229490A1 (en) * | 2017-06-16 | 2018-12-20 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
CN109145920A (zh) * | 2018-08-21 | 2019-01-04 | 电子科技大学 | 一种基于深度神经网络的图像语义分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9990712B2 (en) * | 2015-04-08 | 2018-06-05 | Algotec Systems Ltd. | Organ detection and segmentation |
-
2019
- 2019-11-22 CN CN201911158338.9A patent/CN110942466B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
WO2018229490A1 (en) * | 2017-06-16 | 2018-12-20 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
CN109145920A (zh) * | 2018-08-21 | 2019-01-04 | 电子科技大学 | 一种基于深度神经网络的图像语义分割方法 |
Non-Patent Citations (3)
Title |
---|
"Dense Dilated Network for Video Action Recognition";Baohan Xu等;《IEEE Transactions on Image Processing》;20190522;第4941-4953页 * |
"Dense Dilated Network With Probability Regularized Walk for Vessel Detection";Lei Mou等;《IEEE Transactions on Medical Imaging》;20191030;第1392-1403页 * |
"基于3D CNN的鼻咽癌CT图像分割";肖银燕等;《计算机工程与科学》;20190831;第1444-1452页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110942466A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942466B (zh) | 一种基于深度学习技术的脑动脉分割方法及装置 | |
Zuo et al. | R2AU‐Net: attention recurrent residual convolutional neural network for multimodal medical image segmentation | |
CN111428718B (zh) | 一种基于图像增强的自然场景文本识别方法 | |
CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN111932529B (zh) | 一种图像分类分割方法、装置及系统 | |
CN109509192A (zh) | 融合多尺度特征空间与语义空间的语义分割网络 | |
CN111507993A (zh) | 一种基于生成对抗网络的图像分割方法、装置及存储介质 | |
CN112785581A (zh) | 基于深度学习的提取训练大血管cta成像的培训方法和装置 | |
CN112561937B (zh) | 基于病变边界信息响应的上下文感知医学图像分割方法 | |
CN113256592B (zh) | 图像特征提取模型的训练方法、系统及装置 | |
CN111862136A (zh) | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 | |
CN114240955B (zh) | 一种半监督的跨领域自适应的图像分割方法 | |
CN112508973A (zh) | 一种基于深度学习的mri图像分割方法 | |
CN111881292B (zh) | 一种文本分类方法及装置 | |
CN111462146A (zh) | 一种基于时空智能体的医学图像多模态配准方法 | |
CN110599502A (zh) | 一种基于深度学习的皮肤病变分割方法 | |
CN114821052A (zh) | 基于自调节策略的三维脑肿瘤核磁共振图像分割方法 | |
CN114241240A (zh) | 脑部图像的分类方法、装置、电子设备及存储介质 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
CN114708465A (zh) | 图像分类方法、装置、电子设备与存储介质 | |
CN112836755B (zh) | 基于深度学习的样本图像生成方法及其系统 | |
CN112330662B (zh) | 一种基于多层级神经网络的医学图像分割系统及方法 | |
CN113850012A (zh) | 数据处理模型生成方法、装置、介质及电子设备 | |
Wang et al. | A dual-branch joint learning network for underwater object detection | |
CN113724186A (zh) | 一种数据处理方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |