CN111524142B - 一种脑血管图像自动分割方法 - Google Patents
一种脑血管图像自动分割方法 Download PDFInfo
- Publication number
- CN111524142B CN111524142B CN202010160451.7A CN202010160451A CN111524142B CN 111524142 B CN111524142 B CN 111524142B CN 202010160451 A CN202010160451 A CN 202010160451A CN 111524142 B CN111524142 B CN 111524142B
- Authority
- CN
- China
- Prior art keywords
- data
- input
- training
- loss
- convolution
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 55
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 4
- 235000009566 rice Nutrition 0.000 claims abstract description 4
- 240000007594 Oryza sativa Species 0.000 claims abstract 2
- 210000004204 blood vessel Anatomy 0.000 claims description 22
- 230000002490 cerebral effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 abstract description 2
- 230000002980 postoperative effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 210000004556 brain Anatomy 0.000 description 8
- 238000007917 intracranial administration Methods 0.000 description 5
- 238000002583 angiography Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008321 arterial blood flow Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001490 effect on brain Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004218 vascular function Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种脑血管图像自动分割方法，使用软阈值莱斯去噪、直方图均衡化方法对原始MRA数据进行增强，在MITK工具建立的训练集基础上，针对网络结构和数据集选取patch size和batch size，交替训练生成器G和判别器D，完成训练的生成器G输入MRA数据得到相应分割结果。相比较常用的颅脑血管半自动分割方法，本发明避免人工操作的引入，排除人为因素影响，提高割结果的准确和客观性，同时提高对细小血管的分辨能力，能够为术前路径规划、术后结果评估、影像后处理和医学生培训提供可靠帮助。
Description
技术领域
本发明涉及计算机图形学下的医学成像、血管解剖学领域，尤其是一种脑血管图像自动分割方法。
背景技术
大脑的血液供给主要是两大系统和四大动脉，即颈内动脉系统左右分支和椎-基底动脉。供应整个脑动脉的血液约70％是来自颈内动脉系统，供应着脑的前部。20～30％来自椎-基底动脉系统，供应着脑的后部。脑的生理代谢的特点是耗氧量大而又几乎没有能源物质的储存，依赖于血液的不间断供应，从中获得氧的成分。为了维持这种不间断的需求，每分钟人体约有7500～1000毫升的血液流经过脑，才能保障维持正常技能活动所需能量。一旦流经脑的血液供给发生障碍，如脑的动脉血流中断10～30秒钟，神经细胞就会收到损害；若血流中断3～5分钟，神经细胞就会受到严重损害，较难恢复正常；如果持续中断30分钟，神经细胞就会发生严重破坏，功能就会永久地丧失。脑血管疾病，不论是出血性还是缺血性，其结果都会直接影响脑血液循环，使脑细胞产生缺血与缺氧的改变。
因为颅内血管功能上的重要意义，对于神经外科和心脑血管疾病等不同领域的诊断、治疗计划和执行以及临床结果的评估都至关重要，因而医学图像分析中的一个重要课题。近年来一些新的医学影像技术被用于临床实践以发挥颅内血管分析的重要性，如近内镜窄带成像术(Narrow Band Imaging,NBI)、锥束CT(Cone Beam Computed Tomography,CBCT)和三维数字减影血管造影(DSA)。同时专家学者们不断改进传统的血管成像技术即磁共振血管造影(MRA)和计算机断层血管造影(CTA)以增强可视化效果。
颅内血管分割是建立于血管造影基础上辅助医疗诊断的重要一环。最直接的手工分割需要耗费大量时间和人力，并且分割结果往往缺乏操作者内部和操作者之间的重复性和再现性。因而自动或半自动颅内血管分割成为分割算法研究的主流方向，此类算法省去了大量人工操作。血管图像分割的目的是将图像中的血管与非血管像素区分出来，根据这些算法的实现原理，可以把提取方法以深度学习出现为分界线分为两类：一是传统的方法，如阈值分割、形变模型、区域生长的方法等。二是深度学习的方法。传统方法往往是一种半自动的方法，不可避免地需要人工寻找合适的种子点再手动添加，这一操作且具有很强的主观性，同时不能保证每次勾画的种子点准确无误，此外此类方法在细小血管的分割上表现不佳。
从目前该领域研究成果来看，借助深度学习的颅内血管分割方法可以应用到术前路径规划、术后结果评估、影像后处理和医学生培训等场景，很大程度上减轻医疗工作者负担的同时提供更加可靠的辅助信息。深度学习借助一定的网络结构、标记数据和训练流程学习样本数据的内在规律和表示层次实现让机器能够具有一定分析学习能力，自动地得到输入数据对应的结果。Unet网络结构在近年来的研究中展现出其发展潜力，成为主流框架，在医学图像分割领域表现出非常良好的性能。在自然影像理解方面，也有越来越多的语义分割和目标检测模型开始关注和使用U型结构。
现有颅脑血管半自动分割方法无法避免人工操作的引入，存在受人为因素影响较大的不足，容易造成分割结果不准确，同时现有方法存在分割精度不足的问题，容易出现误判和遗漏的问题。
发明内容
为了克服以上不足，本发明结合MRA图像特点，提出一种分割精度较高的脑血管图像自动分割方法，
为了解决上述技术问题本发明提供如下的技术方案：
一种脑血管图像自动分割方法，包括以下步骤：
步骤一，数据预处理
每个MRA数据按照软阈值莱斯去噪、直方图均衡化的顺序进行预处理，增强血管体素的分辨效果，数据进一步按照数据实际体素值不为零的边界作为输入数据的边界，裁去多余的值为零的黑色区域；
步骤二，数据分块
使用MITK从指定文件夹路径中依次单个读取NIfTI格式的MRA文件，在三个轴向上按照固定步长依次移动截取固定patch size的数据块，使用MITK从元数据读取方向、原点，每一次在轴向上移动按照移动步长、体素大小计算数据块的原点坐标和方向作为参数与截取的数据块一同写入新的分块MRA文件中，作为训练数据的MRA文件需要在硬件设备可承受的前提下按照不同的patch size划分形成不同的训练集用于测试，label进行与元数据同样的处理，训练集进一步统计label数据块的置信息，剔除训练集中label数据块体素占比小、处于边缘位置的数据；
步骤三，参数选择
使用MITK工具依次读取训练MRA元数据和label，分别统计MRA元数据的体素总量和label体素值不为零的体素总量，得到MRA元数据血管体素占比范围[a,b]，对训练集中的数据块统计血管体素占比，得到不同patch size的数据块占比-血管体素占比折线，选取在[a,b]范围内折线面积最大的patch size作为训练和血管分割应用的实际数据块大小，进一步提高网络输入数据的正则化程度，取epoch＝1，使训练集完成一次训练，得到不同batch size的loss-iteration曲线，根据loss的下降和loss终值速度选取合适的batchsize；
步骤四，网络训练
用于脑血管分割的GAN网络包含一个3d的U型结构和一个多层的CNN网络结构，两者分别构成GAN网络的生成器G和判别器D；
步骤五，血管分割
首先按照上述步骤一、步骤二和选定的参数将元数据处理成输入数据，然后取batch size＝1输入生成器G得到预测图，预测图经过一次soft max得到预测结果，最后预测结果根据步骤二中分割数据块的顺序，重新将数据块拼接成完整的分割结果。
进一步，所述步骤四中，U型网络结构即生成器G包含四次下采样和四次上采样，下采样为2×2×2的max pool，上采样为输出channel为输入一半、kernel size为2、步长为2的反卷积，网络中的数据在每次下采样之前进行double conv，double conv为3×3×3卷积、batch normalization和relu的组合的两次重复，MRA数据的第一次卷积为1输入、64输出，其余double conv的第一次卷积的输出channel都为输入的两倍，所有double conv的第二次卷积输出channel和输入channel数量相同，取padding＝1，网络上采样之后的特征图与来自对应下采样之前的特征图拼接，经过一个SENet重新分配权重之后进行和下采样组成相同的double conv，使用的double conv的第一次卷积的输出channel都为输入的一半，所有double conv的第二次卷积输出channel和输入channel数量相同，最后一次doubleconv后再经过一次64输入、2输出的1×1×1卷积和sigmoid得到预测图；
多层的CNN网络结构即判别器D为多层的3×3×3卷积、batch normalization、relu和2×2×2的max pool的依次组合，其中卷积的padding视实际的数据块patch size可以适当增减，判别器D的第一层卷积为1输入、64输出，最后一层为1输出的1×1×1卷积和sigmoid组合，其余卷积输出channel均为输入的两倍；
在训练网络的过程中，训练集按照batch size被迭代多个epoch。首先数据传入生成器G得到预测图，然后读入相应的label数据，使用soft dice loss作为损失函数计算loss，最后清零梯度并反向传播，预测图经过一次soft max得到预测结果与对应的输入数据点乘得到判别器D的一组输入数据，同时对应label和输入数据点乘得到另一组输入数据，两组数据都经过判别器得到输出结果使用二分类交叉熵损失函数求得两个损失值，将两个损失值均值作为损失清零梯度后反向传播，交替训练生成器和判别器，直至判别器的loss稳定。
再进一步，所述的步骤四中，U型网络结构的训练方法包含以下步骤：
4.1，训练生成器G
在训练网络的过程中，训练集按照batch size被迭代多个epoch，首先数据传入生成器G得到预测图，然后读入相应的label数据，使用soft dice loss作为损失函数计算loss，最后清零梯度并反向传播；
4.2，训练判别器D
预测图经过一次soft max得到预测结果与对应的输入数据点乘得到判别器D的一组输入数据，同时对应label和输入数据点乘得到另一组输入数据，两组数据都经过判别器得到输出结果使用二分类交叉熵损失函数求得两个损失值，将两个损失值均值作为损失清零梯度后反向传播；
训练集按照batch size被迭代多个epoch，训练生成器和判别器，直至判别器的loss稳定。
本发明的有益效果为：有效实现脑血管自动分割，分割精度较高。
附图说明
图1是本方法的实现步骤流程图。
图2是脑血管自动分割网络结构。
图3是生成器G的网络结构。
图4是判别器D的网络结构。
具体实施方式
下面对本发明作进一步说明。
参照图1～图4，一种脑血管图像自动分割方法，包括以下步骤：
步骤一，数据预处理
每个MRA数据按照软阈值莱斯去噪、直方图均衡化的顺序进行预处理，增强血管体素的分辨效果，数据进一步按照数据实际体素值不为零的边界作为输入数据的边界，裁去多余的值为零的黑色区域；
步骤二，数据分块
使用MITK从指定文件夹路径中依次单个读取NIfTI格式的MRA文件，在三个轴向上按照固定步长依次移动截取固定patch size的数据块，使用MITK从元数据读取方向、原点，每一次在轴向上移动按照移动步长、体素大小计算数据块的原点坐标和方向作为参数与截取的数据块一同写入新的分块MRA文件中，作为训练数据的MRA文件需要在硬件设备可承受的前提下按照不同的patch size划分形成不同的训练集用于测试，label进行与元数据同样的处理。训练集进一步统计label数据块的置信息，剔除训练集中label数据块体素占比小、处于边缘位置的数据；
步骤三，参数选择
使用MITK工具依次读取训练MRA元数据和label，分别统计MRA元数据的体素总量和label体素值不为零的体素总量，得到MRA元数据血管体素占比范围[a,b]，对训练集中的数据块统计血管体素占比，得到不同patch size的数据块占比-血管体素占比折线，选取在[a,b]范围内折线面积最大的patch size作为训练和血管分割应用的实际数据块大小，进一步提高网络输入数据的正则化程度，取epoch＝1，使训练集完成一次训练，得到不同batch size的loss-iteration曲线，根据loss的下降和loss终值速度选取合适的batchsize；
步骤四，网络训练
用于脑血管分割的GAN网络包含一个3d的U型结构和一个多层的CNN网络结构，两者分别构成GAN网络的生成器G和判别器D；
U型网络结构即生成器G包含四次下采样和四次上采样，下采样为2×2×2的maxpool，上采样为输出channel为输入一半、kernel size为2、步长为2的反卷积，网络中的数据在每次下采样之前进行double conv，double conv为3×3×3卷积、batchnormalization和relu的组合的两次重复，MRA数据的第一次卷积为1输入、64输出，其余double conv的第一次卷积的输出channel都为输入的两倍，所有double conv的第二次卷积输出channel和输入channel数量相同，取padding＝1，网络上采样之后的特征图与来自对应下采样之前的特征图拼接，经过一个SENet重新分配权重之后进行和下采样组成相同的double conv，使用的double conv的第一次卷积的输出channel都为输入的一半，所有double conv的第二次卷积输出channel和输入channel数量相同，最后一次double conv后再经过一次64输入、2输出的1×1×1卷积和sigmoid得到预测图；
多层的CNN网络结构即判别器D为多层的3×3×3卷积、batch normalization、relu和2×2×2的max pool的依次组合，其中卷积的padding视实际的数据块patch size可以适当增减。判别器D的第一层卷积为1输入、64输出，最后一层为1输出的1×1×1卷积和sigmoid组合，其余卷积输出channel均为输入的两倍；
在训练网络的过程中，训练集按照batch size被迭代多个epoch，首先数据传入生成器G得到预测图，然后读入相应的label数据，使用soft dice loss作为损失函数计算loss，最后清零梯度并反向传播。预测图经过一次soft max得到预测结果与对应的输入数据点乘得到判别器D的一组输入数据，同时对应label和输入数据点乘得到另一组输入数据，两组数据都经过判别器得到输出结果使用二分类交叉熵损失函数求得两个损失值，将两个损失值均值作为损失清零梯度后反向传播，交替训练生成器和判别器，直至判别器的loss稳定；
所述的步骤四中，U型网络结构的训练方法包含以下步骤：
4.1，训练生成器G
在训练网络的过程中，训练集按照batch size被迭代多个epoch，首先数据传入生成器G得到预测图，然后读入相应的label数据，使用soft dice loss作为损失函数计算loss，最后清零梯度并反向传播；
4.2，训练判别器D
预测图经过一次soft max得到预测结果与对应的输入数据点乘得到判别器D的一组输入数据，同时对应label和输入数据点乘得到另一组输入数据，两组数据都经过判别器得到输出结果使用二分类交叉熵损失函数求得两个损失值，将两个损失值均值作为损失清零梯度后反向传播；
训练集按照batch size被迭代多个epoch，训练生成器和判别器，直至判别器的loss稳定；
步骤五，血管分割
首先按照上述步骤一、步骤二和选定的参数将元数据处理成输入数据，然后取batch size＝1输入生成器G得到预测图，预测图经过一次soft max得到预测结果，最后预测结果根据步骤二中分割数据块的顺序，重新将数据块拼接成完整的分割结果。
Claims (1)
1. 一种脑血管图像自动分割方法，其特征在于，所述方法包括以下步骤：
步骤一，数据预处理
每个MRA数据按照软阈值莱斯去噪、直方图均衡化的顺序进行预处理，增强血管体素的分辨效果，数据进一步按照数据实际体素值不为零的边界作为输入数据的边界，裁去多余的值为零的黑色区域；
步骤二，数据分块
使用MITK从指定文件夹路径中依次单个读取NIfTI格式的MRA文件，在三个轴向上按照固定步长依次移动截取固定patch size的数据块；使用MITK从元数据读取方向、原点，每一次在轴向上移动按照移动步长、体素大小计算数据块的原点坐标和方向作为参数与截取的数据块一同写入新的分块MRA文件中，作为训练数据的MRA文件需要在硬件设备可承受的前提下按照不同的patch size划分形成不同的训练集用于测试；label进行与元数据同样的处理，训练集进一步统计label数据块的位置信息，剔除训练集中label数据块体素占比小、处于边缘位置的数据；
步骤三，参数选择
使用MITK工具依次读取训练MRA元数据和label，分别统计MRA元数据的体素总量和label体素值不为零的体素总量，得到MRA元数据血管体素占比范围[a,b]，对训练集中的数据块统计血管体素占比，得到不同patch size的数据块占比-血管体素占比折线，选取在[a,b]范围内折线面积最大的patch size作为训练和血管分割应用的实际数据块大小，进一步提高网络输入数据的正则化程度，取epoch=1，使训练集完成一次训练，得到不同batchsize的loss-iteration曲线，根据loss的下降和loss终值速度选取合适的batch size；
步骤四，网络训练
用于脑血管分割的GAN网络包含一个3d的U型结构和一个多层的CNN网络结构，两者分别构成GAN网络的生成器G和判别器D；
步骤五，血管分割
首先按照上述步骤一、步骤二和选定的参数将元数据处理成输入数据，然后取batchsize=1输入生成器G得到预测图，预测图经过一次soft max得到预测结果，最后预测结果根据步骤二中分割数据块的顺序，重新将数据块拼接成完整的分割结果；
所述步骤四中，U型网络结构即生成器G包含四次下采样和四次上采样，下采样为2×2×2的max pool，上采样为输出channel为输入一半、kernel size为2、步长为2的反卷积，网络中的数据在每次下采样之前进行double conv，double conv为3×3×3卷积、batchnormalization和relu的组合的两次重复，MRA数据的第一次卷积为1输入、64输出，其余double conv的第一次卷积的输出channel都为输入的两倍，所有double conv的第二次卷积输出channel和输入channel数量相同，取padding=1，网络上采样之后的特征图与来自对应下采样之前的特征图拼接，经过一个SENet重新分配权重之后进行和下采样组成相同的double conv，使用的double conv的第一次卷积的输出channel都为输入的一半，所有double conv的第二次卷积输出channel和输入channel数量相同，最后一次double conv后再经过一次64输入、2输出的1×1×1卷积和sigmoid得到预测图；
多层的CNN网络结构即判别器D为多层的3×3×3卷积、batch normalization、relu和2×2×2的max pool的依次组合，其中卷积的padding视实际的数据块patch size可以适当增减，判别器D的第一层卷积为1输入、64输出，最后一层为1输出的1×1×1卷积和sigmoid组合，其余卷积输出channel均为输入的两倍；
在训练网络的过程中，训练集按照batch size被迭代多个epoch，首先数据传入生成器G得到预测图，然后读入相应的label数据，使用soft dice loss作为损失函数计算loss，最后清零梯度并反向传播，预测图经过一次soft max得到预测结果与对应的输入数据点乘得到判别器D的一组输入数据，同时对应label和输入数据点乘得到另一组输入数据，两组数据都经过判别器得到输出结果使用二分类交叉熵损失函数求得两个损失值，将两个损失值均值作为损失清零梯度后反向传播，交替训练生成器和判别器，直至判别器的loss稳定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010160451.7A CN111524142B (zh) | 2020-03-10 | 2020-03-10 | 一种脑血管图像自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010160451.7A CN111524142B (zh) | 2020-03-10 | 2020-03-10 | 一种脑血管图像自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111524142A CN111524142A (zh) | 2020-08-11 |
| CN111524142B true CN111524142B (zh) | 2023-06-30 |
Family
ID=71910310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010160451.7A Active CN111524142B (zh) | 2020-03-10 | 2020-03-10 | 一种脑血管图像自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111524142B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164126A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机系统工程有限公司 | 一种合成图片的生成方法、装置、电子设备及存储介质 |
| CN113409243B (zh) * | 2021-02-24 | 2023-04-18 | 浙江工业大学 | 一种结合全局和邻域信息的血管分割方法 |
| CN113128376B (zh) * | 2021-04-02 | 2024-05-14 | 西安融智芙科技有限责任公司 | 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备 |
| CN113313728B (zh) * | 2021-06-16 | 2022-11-01 | 首都医科大学附属北京天坛医院 | 一种颅内动脉分割方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
| CN110473188A (zh) * | 2019-08-08 | 2019-11-19 | 福州大学 | 一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法 |
| CN110706233A (zh) * | 2019-09-30 | 2020-01-17 | 北京科技大学 | 一种视网膜眼底图像分割方法及装置 |
| CN110807762A (zh) * | 2019-09-19 | 2020-02-18 | 温州大学 | 一种基于gan的视网膜血管图像智能分割方法 |
| CN110853051A (zh) * | 2019-10-24 | 2020-02-28 | 北京航空航天大学 | 基于多注意密集连接生成对抗网络的脑血管影像分割方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008091583A2 (en) * | 2007-01-23 | 2008-07-31 | Dtherapeutics, Llc | Image-based extraction for vascular trees |
| US10102633B2 (en) * | 2015-11-30 | 2018-10-16 | Hyland Switzerland Sarl | System and methods of segmenting vessels from medical imaging data |
-
2020
- 2020-03-10 CN CN202010160451.7A patent/CN111524142B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
| CN110473188A (zh) * | 2019-08-08 | 2019-11-19 | 福州大学 | 一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法 |
| CN110807762A (zh) * | 2019-09-19 | 2020-02-18 | 温州大学 | 一种基于gan的视网膜血管图像智能分割方法 |
| CN110706233A (zh) * | 2019-09-30 | 2020-01-17 | 北京科技大学 | 一种视网膜眼底图像分割方法及装置 |
| CN110853051A (zh) * | 2019-10-24 | 2020-02-28 | 北京航空航天大学 | 基于多注意密集连接生成对抗网络的脑血管影像分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| Pedro Sanchesa等.Cerebrovascular Network Segmentation of MRA Images With Deep Learning.《2019 IEEE 16th International Symposium on Biomedical Imaging》.2019,全文. * |
| 冯远静等.一种基于主动轮廓模型的蚁群图像分割算法.《控制理论与应用》.2006,(04),全文. * |
| 田沄 ; 周明全 ; 武仲科 ; .心脑血管三维分割研究进展.《计算机辅助设计与图形学学报》.2012,(07),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111524142A (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524142B (zh) | 一种脑血管图像自动分割方法 | |
| CN110934606B (zh) | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 | |
| CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| Jin et al. | CT-realistic lung nodule simulation from 3D conditional generative adversarial networks for robust lung segmentation | |
| Cui et al. | Pulmonary vessel segmentation based on orthogonal fused U-Net++ of chest CT images | |
| CN104992430B (zh) | 基于卷积神经网络的全自动的三维肝脏分割方法 | |
| CN110689543A (zh) | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 | |
| CN109584244B (zh) | 一种基于序列学习的海马体分割方法 | |
| DE102008023283B4 (de) | Verfahren und System zur Segmentierung von schlauchförmigen Strukturen in 3D-Bildern | |
| DE102007018763B4 (de) | Verfahren zur Arterien-Venen-Bildseparation in Blutpoolkontrastmitteln | |
| Wang et al. | Uncertainty-guided efficient interactive refinement of fetal brain segmentation from stacks of MRI slices | |
| CN110934608B (zh) | 脑卒中早期cta图像评估系统及评估方法、可读存储介质 | |
| CN111696126B (zh) | 一种基于多视角的多任务肝脏肿瘤图像分割方法 | |
| CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
| US11830193B2 (en) | Recognition method of intracranial vascular lesions based on transfer learning | |
| CN114782350A (zh) | 一种基于注意力机制的多模态特征融合的mri脑瘤图像分割方法 | |
| CN111815766A (zh) | 基于2d-dsa图像重建血管三维模型处理方法及系统 | |
| CN114830173A (zh) | 基于由病灶覆盖的人体表面积的百分比确定皮肤病的严重程度的方法 | |
| CN114723698A (zh) | 一种基于多尺度注意力网络的脑血管图像分割方法 | |
| CN104318565A (zh) | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| Zhang et al. | An end-to-end joint learning framework of artery-specific coronary calcium scoring in non-contrast cardiac CT | |
| CN116664590A (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
| Deng et al. | Automatic segmentation of ultrasound images of carotid atherosclerotic plaque based on Dense-UNet | |
| Zhao et al. | Automated coronary tree segmentation for x-ray angiography sequences using fully-convolutional neural networks |
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 |