CN111242958B - 一种基于结构特征优化的颈动脉级联学习分割方法 - Google Patents

Abstract

一种基于结构特征优化的颈动脉级联学习分割方法，包括以下步骤：步骤1、通过初始分割模型获得预分割S；步骤2、基于分割子区域的距离来优化分割；步骤3、基于中心线端点距离来优化分割；步骤4、基于血管方向和中心线端点向量夹角来优化分割；基于局部语义分割模型的颈动脉预分割、基于全局语义分割模型的颈动脉预分割、融合模型的颈动脉预分割进行处理后，得到优化后的三个分割结果(P’、G’、C’)；步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。本发明利用计算机图像处理技术对医学图像进行处理，能够更加直观地反映病人的具体生理情况。

Description

一种基于结构特征优化的颈动脉级联学习分割方法

技术领域

本发明属于医学图像处理领域以及人工智能技术领域，涉及一种颈动脉级联学习分割方法。

背景技术

目前在人工智能技术领域中，对于颈动脉图像的分割，主要有以下：

1)基于主动轮廓模型的自动分割：该方法属于半自动的分割方法，用运动的参数轮廓去拟合目标边界，轮廓的演化靠多次迭代，以优化能量函数来实现，而能量函数的构造涉及手工调试模型参数，一般为轮廓的外力(图像梯度)，轮廓内力(形状先验)等，此外，实现具体位置的分割还需要进行手工设置初始轮廓位置和大小。

2)基于机器学习的分割：该方法可以分为有监督机器学习和无监督机器学习两种类型，有监督的方法有SVM(支持向量机)和随机森林等方法，通过学习图像每个像素对应的人工标注来建立模型；无监督的方法典型的是基于混合高斯模型的方法，对数据集的分布进行建模，从而对像素分类。以上方法中，除了在训练时需要调试超参数之外，模型还需要手工选取多种特征来实现较好的分割效果。

3)基于深度学习的语义分割：该方法是目前比较流行的一种有监督的机器学习方法，一般有比较高的准确率，但是他需要依靠大量的数据集，并且需要花费巨大的训练代价(硬件、存储空间、训练时间)来实现，是一种端到端的方法，即用户输入一个图像，不需要用户其他操作就可以获得一个分割结果。

虽然目前技术能够基本实现大致上的颈动脉分割，但是还存在一些分割不完整或者过渡分割的区域。例如在颈动脉MRI图像中带斑块的情况(颈动脉粥样硬化)，其内腔严重狭窄，还有颈动脉分支的上侧可能存在多个小分支，从而加大了分割的难度，现有方法容易在这些位置欠分割。此外，在颈动脉周围存在一些与颈动脉相似的动脉血管，这些并不是在分析动脉斑块粥样硬化病症的目标，但是现有技术容易将这些部分作为颈动脉分割的内容，造成过度分割。

发明内容

为了克服已有技术的不足，本发明提供了一种基于结构特征优化的颈动脉级联学习分割方法，利用计算机图像处理技术对医学图像进行处理，能够更加直观地反映病人的具体生理情况，帮助医生分析与诊断病情，术前方案规划及术后评估。对于颈动脉粥样硬化(颈动脉斑块)这样病症来说，利用医学图像处理技术对其进行精确的分割，能够辅助医生工作，而本发明也提供了更加精确结果和更直观的应用方式，进一步提高了医生的工作效率。

本发明解决其技术问题所采用的技术方案是：

一种基于结构特征优化的颈动脉级联学习分割方法，包括以下步骤：

步骤1、通过初始分割模型获得预分割S:通过颈动脉分割方法获得预分割的三维二值图像；

步骤2、基于分割子区域的距离来优化分割，过程如下：

步骤2.1：对预分割S提取其区域范围信息，优化分各个结果，将n个分割区域分为最大区域R_max和待判定区域R_i(i＝1,...,n-1)；

步骤2.2：定义在S中根据8连通规则可统计所有的区域的点集R_i，其中包含体素个数最多的最大区域的点集R_m，通过计算其他区域点集与最大区域点集的欧氏距离(二范数)，以最小的欧式距离代表区域间的距离：

D_i＝min||R_m-R_i||²，i＝{1，...，n-1}

S_n＝{R₀，...R_n-1，R_m}，S_n＝S_n-1∪{R_m}

其中S_n代表内腔预分割的区域集合，包含n个区域，除去最大区域R_m，其余的区域为待判定区域R_i的集合S_n-1；

步骤2.3：然后利用距离门限值d_min来筛选预分割中的异常分割区域，得到优化后的区域So_pt，

其中对于体素数量过大的区域，通过用Marching-Cubes方法构建三维表面以简化计算量；

步骤3、基于中心线端点距离来优化分割，过程如下：

步骤3.1：分别对每个预分割提取其中心线信息，用三维细化方法(Lee-1994)获得每个区域的中心线；

步骤3.2：对优化后的区域的中心线，并找到他们的端点集P_i，对于最大区域R_m有其骨架(中心线)的端点集P_m；

步骤3.3：和步骤2.2类似，我们计算待判定端点集P_i到最大区域端点P_m之间的欧氏距离，并用最大端点距离门限值来进一步筛选距离过大的区域(公式和上一步骤类似，距离的表示用区域距离计算变成中心线端点间的距离)，从而进一步优化分割；

步骤4、基于血管方向和中心线端点向量夹角来优化分割，过程如下：

步骤4.1：对优化后的区域，在计算出每个待判定区域所代表的的血管中心线后，利用主成分分析方法(PCA)来获得该中心线的大致方向：

U∑V^T＝P(x，y，z)-P′(x′，y′，z′)

上式中，P(x,y,z)代表每个中心线上所有的点集位置构成的n×3矩阵，P’(x’,y’,z’)为点集的平均位置，在SVD分解时他们行数相同(P’(x’,y’,z’)复制自身来实现)，通过SVD分解之后矩阵V的第一行代表该中心线的方向(血管方向V_c)；

步骤4.2：用最大区域中心线端点和待判定区域端点定义端点向量集V_ep：

其中E_O和E_M分别为每个从待判定中心线端点点集和最大区域中心线端点集；

步骤4.3：然后用端点向量集和血管方向集，定义中心线端点和最大区域中心线端点的夹角集A_i：

其中，

N代表端点向量集中的向量个数，C_opt为优化后的中心线集，只要夹角集中有一个角度小于角度门限值θ_thr，该中心线代表的待判定区域就会保留；

步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。

进一步，所述步骤1中，分割方法为半自动三维主动轮廓模型方法、基于机器学习的分割方法或基于深度学习语义分割的方法。

本发明的有益效果主要表现在：利用计算机图像处理技术对医学图像进行处理，能够更加直观地反映病人的具体生理情况，帮助医生分析与诊断病情，术前方案规划及术后评估。对于颈动脉粥样硬化(颈动脉斑块)这样病症来说，利用医学图像处理技术对其进行精确的分割，能够辅助提高医生的工作效率。

附图说明

图1是基于结构特征优化的颈动脉级联学习分割方法的流程图。

图2是基于结构特征优化的颈动脉级联学习分割方法的步骤分解图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于结构特征优化的颈动脉级联学习分割方法，包括以下步骤：

步骤1、通过初始分割模型获得预分割S:通过颈动脉分割方法获得预分割的三维二值图像；

步骤2、基于分割子区域的距离来优化分割，过程如下：

步骤2.1：对预分割S提取其区域范围信息，优化分各个结果，将n个分割区域分为最大区域R_max和待判定区域R_i(i＝1,...,n-1)；

步骤2.2：定义在S中根据8连通规则可统计所有的区域的点集R_i，其中包含体素个数最多的最大区域的点集R_m，通过计算其他区域点集与最大区域点集的欧氏距离(二范数)，以最小的欧式距离代表区域间的距离：

D_i＝min||R_m-R_i||²，i＝{1，...，n-1}

S_n＝{R₀，...R_n-1，R_m}，S_n＝S_n-1∪{R_m}

其中S_n代表内腔预分割的区域集合，包含n个区域，除去最大区域R_m，其余的区域为待判定区域R_i的集合S_n-1；

步骤2.3：然后利用距离门限值d_min来筛选预分割中的异常分割区域，得到优化后的区域S_opt，

其中对于体素数量过大的区域，通过用Marching-Cubes方法构建三维表面以简化计算量；

步骤3、基于中心线端点距离来优化分割，过程如下：

步骤3.1：分别对每个预分割提取其中心线信息，用三维细化方法(Lee-1994)获得每个区域的中心线；

步骤3.2：对优化后的区域的中心线，并找到他们的端点集P_i，对于最大区域R_m有其骨架(中心线)的端点集P_m；

步骤3.3：和步骤2.2类似，我们计算待判定端点集P_i到最大区域端点P_m之间的欧氏距离，并用最大端点距离门限值来进一步筛选距离过大的区域(公式和上一步骤类似，距离的表示用区域距离计算变成中心线端点间的距离)，从而进一步优化分割；

步骤4、基于血管方向和中心线端点向量夹角来优化分割，过程如下：

步骤4.1：对优化后的区域，在计算出每个待判定区域所代表的的血管中心线后，我们利用主成分分析方法(PCA)来获得该中心线的大致方向：

U∑V^T＝P(x，y，z)-P′(x′，y′，z′)

上式中，P(x,y,z)代表每个中心线上所有的点集位置构成的n×3矩阵，P’(x’,y’,z’)为点集的平均位置，在SVD分解时他们行数相同(P’(x’,y’,z’)复制自身来实现)，通过SVD分解之后矩阵V的第一行代表该中心线的方向(血管方向V_c)；

步骤4.2：用最大区域中心线端点和待判定区域端点定义端点向量集V_ep：

其中E_O和E_M分别为每个从待判定中心线端点点集和最大区域中心线端点集；

步骤4.3：然后用端点向量集和血管方向集，定义中心线端点和最大区域中心线端点的夹角集A_i：

其中，

N代表端点向量集中的向量个数，C_opt为优化后的中心线集，只要夹角集中有一个角度小于角度门限值θ_thr，该中心线代表的待判定区域就会保留；

以上的三种优化方法(步骤2、步骤3、步骤4)对基于局部语义分割模型的颈动脉预分割、基于全局语义分割模型的颈动脉预分割、融合模型的颈动脉预分割进行处理后，得到优化后的三个分割结果(P’、G’、C’)。

步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。

进一步，所述步骤1中，分割方法为半自动三维主动轮廓模型方法、基于机器学习的分割方法或基于深度学习语义分割的方法。

Claims (2)

1.一种基于结构特征优化的颈动脉级联学习分割方法，其特征在于，所述方法包括以下步骤：

步骤1、通过初始分割模型获得预分割S:通过颈动脉分割方法获得预分割的三维二值图像；

步骤2、基于分割子区域的距离来优化分割，过程如下：

步骤2.1：对预分割S提取其区域范围信息，优化分割结果，将n个分割区域分为最大区域R_max和待判定区域R_i(i＝1,...,n-1)；

步骤2.2：定义在S中根据8连通规则可统计所有的区域的点集R_i，其中包含体素个数最多的最大区域的点集R_m，通过计算其他区域点集与最大区域点集的欧氏距离，以最小的欧式距离代表区域间的距离：

D_i＝min||R_m-R_i||²，i＝{1，...，n-1}

S_n＝{R₀，...R_n-1，R_m}，S_n＝S_n-1∪{R_m}

其中S_n代表内腔预分割的区域集合，包含n个区域，除去最大区域R_m，其余的区域为待判定区域R_i的集合S_n-1；

步骤2.3：然后利用距离门限值d_min来筛选预分割中的异常分割区域，得到优化后的区域S_opt，

其中对于体素数量过大的区域，通过用Marching-Cubes方法构建三维表面以简化计算量；

步骤3、基于中心线端点距离来优化分割，过程如下：

步骤3.1：分别对每个预分割提取其中心线信息，用三维细化方法Lee-1994获得每个区域的中心线；

步骤3.2：对优化后的区域的中心线，并找到他们的端点集P_i,对于最大区域R_m有其骨架的端点集P_m；

步骤3.3：计算待判定端点集P_i到最大区域端点P_m之间的欧氏距离，并用最大端点距离门限值来进一步筛选距离过大的区域，从而进一步优化分割；

步骤4、基于血管方向和中心线端点向量夹角来优化分割，过程如下：

步骤4.1：对优化后的区域，在计算出每个待判定区域所代表的血管中心线后，利用主成分分析方法PCA来获得该中心线的大致方向：

U∑V^T＝P(x，y，z)-P′(x′，y′，z′)

上式中，P(x,y,z)代表每个中心线上所有的点集位置构成的n×3矩阵，P’(x’,y’,z’)为点集的平均位置，在SVD分解时他们行数相同，P’(x’,y’,z’)复制自身来实现，通过SVD分解之后矩阵V的第一行代表该中心线的方向，即血管方向V_c；

步骤4.2：用最大区域中心线端点和待判定区域端点定义端点向量集V_ep：

其中E_O和E_M分别为每个待判定中心线端点点集和最大区域中心线端点集；

步骤4.3：然后用端点向量集和血管方向集，定义中心线端点和最大区域中心线端点的夹角集A_i：

其中，

N代表端点向量集中的向量个数，C_opt为优化后的中心线集，只要夹角集中有一个角度小于角度门限值θ_thr，该中心线代表的待判定区域就会保留；

步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。

2.如权利要求1所述的一种基于结构特征优化的颈动脉级联学习分割方法，其特征在于，所述步骤1中，分割方法为半自动三维主动轮廓模型方法、基于机器学习的分割方法或基于深度学习语义分割的方法。

Images