CN112837218B - 基于双流边界感知的动脉瘤图像分析系统、方法和设备 - Google Patents

基于双流边界感知的动脉瘤图像分析系统、方法和设备 Download PDF

Info

Publication number
CN112837218B
CN112837218B CN202110048844.3A CN202110048844A CN112837218B CN 112837218 B CN112837218 B CN 112837218B CN 202110048844 A CN202110048844 A CN 202110048844A CN 112837218 B CN112837218 B CN 112837218B
Authority
CN
China
Prior art keywords
image
feature
boundary
layer
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
Application number
CN202110048844.3A
Other languages
English (en)
Other versions
CN112837218A (zh
Inventor
刘市祺
谢晓亮
周小虎
侯增广
曲新凯
韩文正
周彦捷
马西瑶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Huadong Hospital
Original Assignee
Institute of Automation of Chinese Academy of Science
Huadong Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science, Huadong Hospital filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110048844.3A priority Critical patent/CN112837218B/zh
Publication of CN112837218A publication Critical patent/CN112837218A/zh
Application granted granted Critical
Publication of CN112837218B publication Critical patent/CN112837218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像分析，具体涉及了一种基于双流边界感知的动脉瘤图像分析系统、方法和装置，旨在解决现有的图像分析技术无法依据显影图像精确地分析出动脉瘤的图像的问题。本发明包括：获取包含主动脉瘤的区域的DSA图像作为待检测图像，基于所述待检测图像，通过训练好的双流边界感知网络生成主动脉瘤边界特征图像和主动脉瘤图像掩膜，基于所述主动脉瘤图像掩膜和主动脉瘤边界特征结合所述DSA图像获得主动脉瘤图像的形态学信息。本发明通过将提取出的特征输入双流边界感知网络，同时提取边界特征和掩膜图像并融合，提高了动脉瘤图像的精确性并且解决了现有技术的动脉瘤图像边界模糊的问题，能够更精准地进行动脉瘤形态学分析。

Description

基于双流边界感知的动脉瘤图像分析系统、方法和设备
技术领域
本发明属于图像分析，具体涉及了一种基于双流边界感知的动脉瘤图像分析系统、方法和设备。
背景技术
腹部主动脉瘤(Abdominal aortic aneurysm,AAA)是由主动脉非正常性扩张导致。由于AAA在破裂之前不会出现典型症状，因此通常导致85％到90％的病死率。正常主动脉的直径为20mm，当一条主动脉的直径比正常情况宽50％以上时，认为存在动脉瘤。
血管内动脉瘤修复(Endovascular aneurysm repair，EVAR)手术是目前大多数AAA患者采用的治疗手段。比起开放式修复方法，EVAR手术有许多重要优势，包括损伤更小、更稳定、更低的患者围手术期死亡率、以及更低的术后并发症可能性等。EVAR手术是通过放置主动脉支架来将动脉瘤从循环系统中排除。然而，如何选择合适形状和大小的支架是一个难点。
在常规的临床治疗中，计算机断层造影(Computed tomography angiography，CTA)是AAA诊断的图像依据。严格的AAA测量是基于术中数字减影造影(Digitalsubtraction angiography,DSA)进行的，通过人工测量主动脉的最大直径，可以确定AAA的大小。这一过程不仅消耗时间，还具有一定的主观性，不同的人的读数结果差异最高可达6％。因此，自动的AAA形态学分析(包括分割和测量) 可以为介入放射医生提供很好的视觉辅助。
然而，这一任务目前存在以下几部分难点：(1)动脉瘤和一些邻近组织的密度值相仿，模糊的边界可能造成错误分割；(2)由于动脉瘤是非造影组织，因此动脉瘤表面有些部分有时会很模糊；(3)动脉瘤的几何结构不规律，使得很难用一个简单的几何模型来考虑这一问题。
此前的研究大多集中于研究AAA的分割问题，但很少有考虑更全面的 AAA形态学分析的工作。分割方法可以被分成两大类，分别是基于特征的方法和基于学习的方法。
在基于特征的方法中，只采用密度信息是很难区分动脉瘤和其周边组织的。因此，动脉瘤分割通常采用结合密度信息和形态限制的方法来进行。Jan等人提出的方法就要求提前提取出目标中心线、手动进行初始化。De Bruijne等人提出了一种主动形态模型分割方法，结合了物体形状的统计学知识。然而，这类方法需要提前分割或提取中心线信息，十分消耗时间，而且方法结果高度依赖于参数的调整，因此鲁棒性极易受影响。
发明内容
为了解决现有技术中的上述问题，即通过现有动脉瘤图像分析方法获得的主动脉瘤表面模糊，很难用一个简单的几何模型分析的问题，本发明提供了一种基于双流边界感知的动脉瘤图像分析系统，所述系统包括：DSA图像获取单元、双流边界感知单元和形态学信息获取单元；
所述DSA图像获取单元，配置为获取包含主动脉瘤的区域的DSA图像作为待检测图像；
所述双流边界感知单元，配置为基于所述待检测图像，通过训练好的双流边界感知网络生成主动脉瘤边界特征图像和主动脉瘤图像掩膜；
所述形态学信息获取单元，配置为基于所述主动脉瘤图像掩膜和主动脉瘤边界特征结合所述DSA图像获得主动脉瘤图像的形态学信息。
进一步地，所述双流边界感知网络，包括：
顺次连接的第一卷积层、编码流、双流结构和第二卷积层；其中双流结构为同时与编码流连接的边界定位流和掩膜预测流，所述编码流和掩膜预测流构成多级嵌套的编码器—解码器；
所述边界定位流，将各级编码模块的输入信息和最后一级编码模块的输出信息作为边界定位流的输入信息，边界定位流的输入端顺次通过线性整流层和上采样层后进行拼接并连接第三卷积层；
所述多级嵌套的编码器—解码器，其编码器和解码器分别包括多个编码模块和多个解码模块；所述编码模块通过残差连接与对应的同级解码模块连接，所述编码模块和解码模块中间连接一个特征集合块；
所述特征集合块，输入端连接特征集合块第一支线、特征集合块第二支线和特征集合块第三支线；所述特征集合块第一支线，配置为与特征集合块输入端顺次连接的自适应平均池化层、卷积核为1×1的卷积层；所述特征集合块第二支线，配置为与特征集合块输入端连接的卷积核为1×1的卷积层；所述特征集合块第三支线，配置为与特征集合块输入端顺次连接的呈U型结构的卷积核为7×7的两个卷积层、卷积核为5×5的两个卷积层和卷积核为3×3的两个卷积层；特征集合块各支线输出进行融合后连接第一级解码模块；
所述编码模块，基于预训练的MobileNetV2构建，将MobileNetV2的标准卷积层更换为深度可分卷积层；
所述解码模块，包括顺次连接的解码块和特征选择块；
所述特征选择块，包括第一特征选择支线、第二特征选择支线和特征选择总线，第一特征选择支线和第二选择支线相加与特征选择总线连接；所述第二特征选择支线的输入和特征选择总线的输出相乘；所述第一特征选择支线包括顺次连接的高层输入端、卷积核为3×3的卷积层和卷积核为1×1的卷积层；所述第二特征选择支线包括顺次连接的低层输入端、卷积核为3×3的卷积层和卷积核为1×1的卷积层；所述特征选择总线包括顺次连接的线性整流层、Sigmoid函数层、线性转化层和 Sigmoid函数层。
进一步地，双流边界感知单元包括：待编码图像生成子单元、分级编码子单元、特征集合子单元、残差传输子单元、双流感知子单元、特征选择子单元、边界特征融合子单元和特征图像输出子单元；
所述待编码图像生成子单元，配置为基于所述待检测图像，通过双流边界感知网络的第一卷积层生成待编码图像；
所述分级编码子单元，配置为基于所述待编码图像，通过双流边界感知网络的多级嵌套的各编码模块进行分级编码，获得特征压缩图像；
所述特征集合子单元，配置为基于所述特征压缩图通过特征集合块生成特征集合图像；
所述残差传输子单元，配置为通过残差连接将各级编码模块的输入信息传递至同级解码模块的特征选择块；
所述双流感知子单元，包括分级解码次级子单元和边缘感知次级子单元；
所述分级解码次级子单元，配置为基于所述特征压缩图像，通过双流边界感知网络的多级嵌套的各解码块进行分级解码，获得强化特征图像；
所述边界定位次级子单元，配置为通过双流边界感知网络的边界定位流各级编码模块的输入信息和特征压缩图像提取边界特征，基于所述边界特征通过所述第三卷积层生成动脉瘤边界特征图像；
所述特征选择子单元，配置为将所述通过残差连接传输的编码模块输入信息输入所述特征选择块的低层输入端，将所述强化特征图像输入特征选择块的高层输入端，通过特征选择块生成选择性特征图像；
所述边界特征融合子单元，配置为将所述动脉瘤边界特征图像和所述选择性特征图像融合并经过第二卷积层生成主动脉瘤图像掩膜；
所述特征图像输出子单元，配置为将所述动脉瘤边界特征图像和主动脉瘤图像掩膜输出。
进一步地，所述特征选择子单元，其输出是通过残差连接传输的编码模块输入信息和强化特征图像的融合特征图像与选择系数的主元素相乘的乘积：
Figure GDA0003352069540000041
其中，
Figure GDA0003352069540000042
c为融合特征图像每个像素对应的向量，选择系数
Figure GDA0003352069540000043
l 是层标号；
其中所述选择系数
Figure GDA0003352069540000044
为：
Figure GDA0003352069540000045
其中，σ1表示ReLU激活函数，σ2表示sigmoid激活函数，Ψ表示线性变换操作，Wx和Wh表示线性变换的权重，bx、bh和bΨ表示偏差，hi表示高层特征输入，xi表示低层特征输入。
进一步地，所述双流边界感知网络，其训练方法为，：
步骤B10，获取包含主动脉瘤的区域的DSA图像集合作为网络的训练样本，并重复执行待编码图像生成子单元——特征图像输出子单元的功能获得主动脉瘤边界特征图像和主动脉瘤图像掩膜；
步骤B20，基于所述主动脉瘤边界特征图像和主动脉瘤图像掩膜，计算多任务混合损失函数值L，并通过随机梯度下降算法迭代进行网络的训练和参数调整至所述多任务混合损失函数值L小于预设的阈值，获得训练好的双流边界感知网络；
所述多任务混合损失函数为：
L＝∑(LB(pb，yb)+LM(pm，ym))
其中，LR(pb，yb)为Dice损失函数，LM(pm，ym)为混合损失函数；
所述Dice损失函数LB(pb，yb)为：
Figure GDA0003352069540000051
其中，pb表示预测边界且pb∈RH×W，yb表示边界真值且yb∈RH×W，i 表示第i个像素，ε表示平滑参数；
所述混合损失函数LM(pm，ym)为：
LM(pm，ym)＝LRF(pm，ym)+LSSIM(pm，ym)
其中，LRF(pm，ym)表示增强聚焦损失函数，LSSIM(pm，ym)表示SSIM 损失函数；
所述增强聚焦损失函数为：
Figure GDA0003352069540000052
其中，
Figure GDA0003352069540000053
表示预测掩膜且
Figure GDA0003352069540000054
Figure GDA0003352069540000055
表示掩膜真值且
Figure GDA0003352069540000056
β为权重因子，γ为调制因子，i表示第i个像素；
所述SSIM损失函数为：
Figure GDA0003352069540000057
使p＝{pj：j＝1，...，M2}和y＝{yj：j＝1，...，M2}分别为预测掩膜和掩膜真值的M*M的裁剪区域的对应像素值，则μp为预测边界的平均值，σp为预测边界的标准差，μy为真实边界的平均值，σy为真实边界的标准差，σpy为预测边界和真实边界的协方差，ε1和ε2为平滑参数。
进一步地，所述边界特征融合子单元，将所述边界特征图像FB用于表示掩膜特征FM，有FM＝f(FB)，其中f表示1*1的卷积，通过拉普拉斯算子从所述选择性特征图像中提取窄边界获得主动脉瘤图像掩膜。
进一步地，所述系统还包括形态学分析单元；
所述形态学分析单元，配置为通过DSB-Net提取所述主动脉瘤图像掩膜的掩膜边界点，计算包围所述掩膜边界点的最小矩形并提取矩形的四个顶点和四条边，计算矩形对应边中点的欧氏距离，通过所述欧式距离除以转化系数P2D转化为毫米距离，获得主动脉瘤的准确尺寸。
本发明的另一方面，提出了一种基于双流边界感知的动脉瘤图像分析方法，所述方法包括：
步骤S100，获取包含主动脉瘤的区域的DSA图像作为待检测图像；
步骤S200，基于所述待检测图像，通过训练好的双流边界感知网络生成主动脉瘤边界特征图像和主动脉瘤图像掩膜；
步骤S300，基于所述主动脉瘤图像掩膜和主动脉瘤边界特征结合所述 DSA图像获得主动脉瘤图像的形态学信息。
本发明的第三方面，提出了一种设备，包括：
至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于双流边界感知的动脉瘤图像分析方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于双流边界感知的动脉瘤图像分析方法。
本发明的有益效果：
(1)本发明基于双流边界感知的动脉瘤图像分析系统，通过同时将提取的不同层次的特征输入两个独立的流中，获取边界特征图像和内部的准确分割获取选择性特征图像，最后将边界特征图和选择性特征图融合获得的主动脉瘤掩膜，解决了由于动脉瘤既不是造影组织又与邻近组织密度相仿造成的错误分割问题，提高了图像分割的准确性。
(2)本发明基于双流边界感知的动脉瘤图像分析系统，通过结合边界特征和生成的内部掩膜的特征，再通过形态学分析单元获取准确的动脉瘤尺寸，解决了动脉瘤几何结构不规律很难用简单的集合模型划分的问题。
(3)本发明基于双流边界感知的动脉瘤图像分析系统，相较于现有的随机森林分类方法和自动检测标记法，本发明极大地提高了分析的实时性，并且不需要医生参与进行人工分割，即可进行形态学分析。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于双流边界感知的动脉瘤图像分析系统的结构框图；
图2是本发明基于双流边界感知的动脉瘤图像分析系统的双流边界感知单元的结构框图；
图3是本发明实施例中双流边界感知网络的结构示意图；
图4是本发明实施例中特征集合块的结构示意图；
图5是本发明实施例中特征选择块的结构示意图；
图6是本发明实施例提供的对比不同方法在LeSaX数据及上的主动脉瘤分割结果示意图；
图7是本发明实施例提供的动脉瘤形态学分析结果示意图；
图8是本发明实施例提供的对比不同方法在NLM Chest X-ray Database 数据集上的分割结果示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于双流边界感知的动脉瘤图像分析系统，本系统解决了由于动脉瘤既不是造影组织又与邻近组织密度相仿造成的错误分割问题，提高了图像分割的准确性。
本发明的一种基于双流边界感知的动脉瘤图像分析系统，包括：DSA 图像获取单元、双流边界感知单元和形态学信息获取单元；
所述DSA图像获取单元100，配置为获取包含主动脉瘤的区域的DSA 图像作为待检测图像；
所述双流边界感知单元200，配置为基于所述待检测图像，通过训练好的双流边界感知网络生成主动脉瘤边界特征图像和主动脉瘤图像掩膜；
所述形态学信息获取单元300，配置为基于所述主动脉瘤图像掩膜和主动脉瘤边界特征结合所述DSA图像获得主动脉瘤图像的形态学信息，比如主动脉瘤的位置、轮廓、估计长度和估计宽度等。
为了更清晰地对本发明基于双流边界感知的动脉瘤图像分析系统进行说明，下面结合图1对本发明实施例中各单元展开详述。
本发明第一实施例的基于双流边界感知的动脉瘤图像分析系统，包括 DSA图像获取单元——形态学信息获取单元，各单元详细描述如下：
所述DSA图像获取单元100，配置为获取包含主动脉瘤的区域的DSA 图像作为待检测图像；
所述双流边界感知单元200，配置为基于所述待检测图像，通过训练好的双流边界感知网络生成主动脉瘤边界特征图像和主动脉瘤图像掩膜；
在本实施例中，所述双流边界感知网络如图3所示，包括：
顺次连接的第一卷积层、编码流、双流结构和第二卷积层；其中双流结构为同时与编码流连接的边界定位流和掩膜预测流，所述编码流和掩膜预测流构成多级嵌套的编码器—解码器；
所述边界定位流，将各级编码模块的输入信息和最后一级编码模块的输出信息作为边界定位流的输入信息，边界定位流的输入端顺次通过线性整流层和上采样层后进行拼接并连接第三卷积层；
所述多级嵌套的编码器—解码器，其编码器和解码器分别包括多个编码模块和多个解码模块；所述编码模块通过残差连接与对应的同级解码模块连接，所述编码模块和解码模块中间连接一个特征集合块；
所述特征集合块，如图4所示，输入端连接特征集合块第一支线、特征集合块第二支线和特征集合块第三支线；所述特征集合块第一支线，配置为与特征集合块输入端顺次连接的自适应平均池化层、卷积核为1×1的卷积层；所述特征集合块第二支线，配置为与特征集合块输入端连接的卷积核为1×1的卷积层；所述特征集合块第三支线，配置为与特征集合块输入端顺次连接的呈U型结构的卷积核为7×7的两个卷积层、卷积核为5×5的两个卷积层和卷积核为3×3的两个卷积层；特征集合块各支线输出进行融合后连接第一级解码模块；平均池化层可以增加输出特征，更好地改善模型的结果；
所述编码模块，基于预训练的MobileNetV2构建，将MobileNetV2的标准卷积层更换为深度可分卷积层；从而减少了大量的计算量。
所述解码模块，包括顺次连接的解码块和特征选择块；
所述特征选择块，如图5所示，包括第一特征选择支线、第二特征选择支线和特征选择总线，第一特征选择支线和第二选择支线相加与特征选择总线连接；所述第二特征选择支线的输入和特征选择总线的输出相乘；所述第一特征选择支线包括顺次连接的高层输入端、卷积核为3×3的卷积层和卷积核为1×1的卷积层；所述第二特征选择支线包括顺次连接的低层输入端、卷积核为3×3的卷积层和卷积核为 1×1的卷积层；所述特征选择总线包括顺次连接的线性整流层、Sigmoid函数层、线性转化层和Sigmoid函数层。
在图3中，1、2、3和4表示编码块Inverted Res-blocks，5、7、9和11表示解码块Decoder Block，6、8、10和12表示特征选择块Feature Selection Module，13 表示线性整流层Conv.+ReLU，14表示上采样层Up-sampling，编码块指向特征选择块的连接为残差连接，其余为普通连接。
在本实施例中，双流边界感知单元200如图2所示，包括：待编码图像生成子单元210、分级编码子单元220、特征集合子单元230、残差传输子单元240、双流感知子单元250、特征选择子单元260、边界特征融合子单元270和特征图像输出子单元280；
所述待编码图像生成子单元210，配置为基于所述待检测图像，通过双流边界感知网络的第一卷积层生成待编码图像；
所述分级编码子单元220，配置为基于所述待编码图像，通过双流边界感知网络的多级嵌套的各编码模块进行分级编码，获得特征压缩图像；
所述特征集合子单元230，如图4所示，配置为基于所述特征压缩图通过特征集合块生成特征集合图像；
所述残差传输子单元240，配置为通过残差连接将各级编码模块的输入信息传递至同级解码模块的特征选择块；
所述双流感知子单元250，包括分级解码次级子单元和边缘感知次级子单元；
所述分级解码次级子单元251，配置为基于所述特征压缩图像，通过双流边界感知网络的多级嵌套的各解码块进行分级解码，获得强化特征图像；分级解码次级子单元用的是编码器，其输入是MobileNetV2编码器的输出θ5，其输出是一个单通道的H*W的特征选择图像(预测掩膜)；
所述边界定位次级子单元252，配置为通过双流边界感知网络的边界定位流各级编码模块的输入信息和特征压缩图像提取边界特征，基于所述边界特征通过所述第三卷积层生成动脉瘤边界特征图像；边界定位流的输入是每个编码器的输出的特征拼接，标记为θi，i∈{1，......，5}，对于每个θi的特征图，先通过两个有128个3*3核和1个1*1核的卷积层，用于特征压缩，然后上采样到原始输入图像的大小H*W进行拼接，拼接后经过3*3的卷积。
所述特征选择子单元260，如图5所示，配置为将所述通过残差连接传输的编码模块输入信息输入所述特征选择块的低层输入端，将所述强化特征图像输入特征选择块的高层输入端，通过特征选择块生成选择性特征图像；
在本实施例中，所述特征选择子单元，其输出是通过残差连接传输的编码模块输入信息和强化特征图像的融合特征图像与选择系数的主元素相乘的乘积：
Figure GDA0003352069540000101
其中，
Figure GDA0003352069540000102
c为融合特征图像每个像素对应的向量，选择系数
Figure GDA0003352069540000103
l 是层标号；
其中所述选择系数
Figure GDA0003352069540000104
如公式(1)所示：
Figure GDA0003352069540000105
其中，σ1表示ReLU激活函数，σ2表示sigmoid激活函数，Ψ表示线性变换操作，Wx和Wh表示线性变换的权重，bx、bh和bΨ表示偏差，hi表示高层特征输入，xi表示低层特征输入。
所述边界特征融合子单元270，配置为将所述动脉瘤边界特征图像和所述选择性特征图像融合并经过第二卷积层生成主动脉瘤图像掩膜；
在本实施例中，所述边界特征融合子单元，将所述边界特征图像FB用于表示掩膜特征FM，有FM＝f(FB)，其中f表示1*1的卷积，通过拉普拉斯算子从所述选择性特征图像中提取窄边界获得主动脉瘤图像掩膜。具体的融合方式为边界特征图像通过1*1卷积，再与掩膜特征加和后通过掩膜层的卷积。
所述特征图像输出子单元280，配置为将所述动脉瘤边界特征图像和主动脉瘤图像掩膜输出。
在本实施例中，所述双流边界感知网络，其训练方法为，：
步骤B10，获取包含主动脉瘤的区域的DSA图像集合作为网络的训练样本，并重复执行待编码图像生成子单元——特征图像输出子单元的功能获得主动脉瘤边界特征图像和主动脉瘤图像掩膜；
步骤B20，基于所述主动脉瘤边界特征图像和主动脉瘤图像掩膜，计算多任务混合损失函数值L，并通过随机梯度下降算法迭代进行网络的训练和参数调整至所述多任务混合损失函数值L小于预设的阈值，获得训练好的双流边界感知网络；在掩膜预测流中，动脉瘤表面有时候会出现局部模糊，这些像素很难正确分类，此外，AAA的小体积也会导致间类数据不平衡的情况，本发明通过提出多任务混合损失函数学习AAA的结构信息，并迫使模型聚聚焦于学习那些容易被错分类的像素。
所述多任务混合损失函数如公式(2)所示：
L＝∑(LB(pb，yb)+LM(pm，ym)) (2)
其中，LB(pb，yb)为Dice损失函数，LM(pm，ym)为混合损失函数；
所述Dice损失函数LB(pb，yb)如公式(3)所示：
Figure GDA0003352069540000111
其中，pb表示预测边界且pb∈RH×W，yb表示边界真值且yb∈RH×W，i 表示第i个像素，ε表示平滑参数；平滑参数的设置为防止出现除数为0的情况，本实施例中优选的设置为1。
为了解决类间数据不平衡的问题，很多研究常采用加权交叉熵的问损失函数。然而，这会导致边界粗糙的问题。Dice损失函数能够测量真值和预测值之间的重叠部分，在数据不平衡情况下，Dice损失函数比加权交叉熵损失函数的表现更优一些。
所述混合损失函数LM(pm，ym)如公式(4)所示：
LM(pm，ym)＝LRF(pm，ym)+LSSIM(pm，ym) (4)
其中，LRF(pm，ym)表示增强聚焦损失函数，LSSIM(pm，ym)表示SSIM 损失函数；
所述增强聚焦损失函数如公式(5)所示：
Figure GDA0003352069540000112
其中，
Figure GDA0003352069540000113
表示预测掩膜且
Figure GDA0003352069540000114
Figure GDA0003352069540000115
表示掩膜真值且
Figure GDA0003352069540000116
β为权重因子，γ为调制因子，i表示第i个像素；调制因子能减少简单样本的权重，使得模型快速聚焦于容易错分类的样本
所述SSIM损失函数如公式(6)所示：
Figure GDA0003352069540000121
使p＝{pj：j＝1，...，M2}和y＝{yj：j＝1，...，M2}分别为预测掩膜和掩膜真值的M*M的裁剪区域的对应像素值，则μp为预测边界的平均值，σp为预测边界的标准差，μy为真实边界的平均值，σy为真实边界的标准差，σpy为预测边界和真实边界的协方差，ε1和ε2为平滑参数。在本实施例中，优选的ε1＝0.012，ε2＝0.032。
所述形态学信息获取单元，配置为基于所述主动脉瘤图像掩膜和主动脉瘤边界特征结合所述DSA图像获得主动脉瘤图像的形态学信息，比如主动脉瘤的位置、轮廓、估计长度和估计宽度等。
在本实施例中，所述系统还包括形态学分析单元290；
所述形态学分析单元290，配置为通过DSB-Net提取所述主动脉瘤图像掩膜的掩膜边界点，计算包围所述掩膜边界点的最小矩形并提取矩形的四个顶点和四条边，计算矩形对应边中点的欧氏距离，通过所述欧式距离除以转化系数P2D 转化为毫米距离，获得主动脉瘤的准确尺寸。
本实施例中将本发明提出的模型分别在两个不同的数据集上进行测试，分别为LeSaX和NLM Chest X-ray Database。LeSaX是一个AAA的DSA影像集，包括1078张训练集图像、216张验证集图像和324张测试集图像。NLM Chest X-ray Database是一个针对结核的标准数字图像数据集，包含336例结核数据和326例正常数据。
本发明提出的模型采用的优化器是随机梯度下降算法(Stochastic gradientdecent，SGD)，初始学习率为0.001，权重衰减为0.0005，动量参数为0.9。为了找到最佳模型表现，本发明采用了多元学习率策略，当验证准确度饱和时，会给学习率乘以0.9。每次训练模型的batch size为8，epoch为150。
本实施例采用平均F1值来评估分割结果，并提供平均Delta来评价诊断算法的表现。Delta是预测直径Dp和直径真值Dg之差。平均处理时间用于评估实时性表现。
为了评估不同模块对于本发明所述DSB-Net的贡献，本实施例在 LeSaX数据集上进行了消融实验。表1展示了在基线(常规U-Net加MobileNetV2 编码器)的基础上添加元素的效果。
Figure GDA0003352069540000132
表1消融实验结果1
其中，Boundary代表边界定位流，Fusion代表融合模块。由表1可看出，边界定位流可以提高1.22％的F1值。加入边界预测流后，FAM和FSM单独分别可以提高0.037和0.032的F1值，二者结合可以比基线提高5.35％的F1值。在此基础上，特征融合模块可以继续提高0.012的F1值。
表2展示了DSB-Net在不同主体函数和loss函数下的结果。
Figure GDA0003352069540000131
表2消融实验结果2
其中，D代表Dice Loss，F代表聚焦损失函数，H代表本发明提出的混合损失函数。
由表2可见，MobileNetV2虽然比ResNet-101的分割正确率略低一点，但MobileNetV2具有高效性，其运行时间远少于ResNet-101。此外，比起Dice Loss 和聚焦损失函数，采用本发明提出的混合损失函数也能大幅提高表现。
为了展示本方法的优越性，本实施例将本方法与7种常用的网络(U-Net，RefineNet，R2U-Net，Attention U-Net，CS-Net，LinkNet和TernausNet)在数据集 LeSaX上进行了测试。测试结果如表3所示。
Figure GDA0003352069540000141
表3与尖端技术的量化对比(基于LeSaX数据集)
表3中清晰地显示出，在6个不同的病人序列中，本发明提出的 DSB-Net均能达到更高的准确度。
参照图6，本发明提出的方法在一些复杂情况下(包括模糊边界和局部模糊表面)也能准确地分割出AAA，且比其他的方法能得到更准确的分割结果。此外，本方法得到的AAA边界更加清晰。具体地，每张图里的红框代表容易错分的区域，而本方法准确地捕捉了这些区域。
为了评估设计的诊断算法的表现，本实施例将其与两个最近提出的 AAA检测方法(SABAM，JTL)进行了对比。这两个方法都是基于3D的CTA图像，所以无法直接应用在LeSaX数据集上。因此，本实施例将DSB-Net作为分割部分的算法，然后采用了他们提出的其他算法部分。此外，还将U-Net，TernausNet，R2U-Net 和CS-Net作为分割部分的算法，进行了对比。因此一共有七组方法进行了对比：(1) U-Net+本算法，(2)TernausNet+本算法，(3)R2U-Net+本算法，(4)CS-Net+ 本算法，(5)DSB-Net+SABAM算法，(6)DSB-Net+JTL算法，(7)DSB-Net+本算法(即本发明提出的方法)。结果如表4所示。
Figure GDA0003352069540000142
Figure GDA0003352069540000151
表4不同方法的对比(基于LeSaX数据集)
从表4中可看出，本发明提出的方法在F1值，Delta和运行时间上都表现最优。特别地，在运行时间上，本发明对一张图像的平均处理时间为92.6ms (10.8FPS)，达到了实时性要求。
参照图7，本方法进行AAA的形态学分析结果如图所示。
更进一步地，为了评价本发明提出的方法在其他类型数据上的效果，将本方法与7种常用网络(U-Net，RefineNet，R2U-Net，Attention U-Net，CS-Net， LinkNet和TernausNet)在数据集NLM Chest X-ray Database上进行了测试。测试结果如表5所示。
Figure GDA0003352069540000152
表5与尖端技术的量化对比(基于NLM Chest X-ray Database)
从表5中可以清楚看到，本发明提出的方法在9例病人的数据上都表现出最优结果。参照图8，相比于TernausNet和CS-Net，本方法可以得到更准确和平滑的分割结果。
以上所述的具体实施例用以对本发明的技术方案进行详细说明，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于双流边界感知的动脉瘤图像分析系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明的第二实施例，一种基于双流边界感知的动脉瘤图像分析方法，包括步骤S100-步骤S300，各步骤具体详述如下：
步骤S100，获取包含主动脉瘤的区域的DSA图像作为待检测图像；
步骤S200，基于所述待检测图像，通过训练好的双流边界感知网络生成主动脉瘤边界特征图像和主动脉瘤图像掩膜；
步骤S300，基于所述主动脉瘤图像掩膜和主动脉瘤边界特征结合所述 DSA图像获得显示主动脉瘤的二值图像和主动脉瘤边界图像。
本发明第三实施例的一种设备，包括：
至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述基于双流边界感知的动脉瘤图像分析方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述基于双流边界感知的动脉瘤图像分析方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种基于双流边界感知的动脉瘤图像分析系统，其特征在于，所述图像分析系统包括：DSA图像获取单元、双流边界感知单元和形态学信息获取单元；
所述DSA图像获取单元，配置为获取包含主动脉瘤的区域的DSA图像作为待检测图像；所述DSA图像是术中数字减影造影的图像；
所述双流边界感知单元，配置为基于所述待检测图像，通过训练好的双流边界感知网络生成主动脉瘤边界特征图像和主动脉瘤图像掩膜；
所述形态学信息获取单元，配置为基于所述主动脉瘤图像掩膜和主动脉瘤边界特征结合所述DSA图像获得主动脉瘤图像的形态学信息；
所述双流边界感知网络，包括：
顺次连接的第一卷积层、编码流、双流结构和第二卷积层；其中双流结构为同时与编码流连接的边界定位流和掩膜预测流，所述编码流和掩膜预测流构成多级嵌套的编码器—解码器；
所述边界定位流，将各级编码模块的输入信息和最后一级编码模块的输出信息作为边界定位流的输入信息，边界定位流的输入端顺次通过线性整流层和上采样层后进行拼接并连接第三卷积层；
所述多级嵌套的编码器—解码器，其编码器和解码器分别包括多个编码模块和多个解码模块；所述编码模块通过残差连接与对应的同级解码模块连接，所述编码模块和解码模块中间连接一个特征集合块；
所述特征集合块，输入端连接特征集合块第一支线、特征集合块第二支线和特征集合块第三支线；所述特征集合块第一支线，配置为与特征集合块输入端顺次连接的自适应平均池化层、卷积核为1×1的卷积层；所述特征集合块第二支线，配置为与特征集合块输入端连接的卷积核为1×1的卷积层；所述特征集合块第三支线，配置为与特征集合块输入端顺次连接的呈U型结构的卷积核为7×7的两个卷积层、卷积核为5×5的两个卷积层和卷积核为3×3的两个卷积层；特征集合块各支线输出进行融合后连接第一级解码模块；
所述编码模块，基于预训练的MobileNetV2构建，将MobileNetV2的标准卷积层更换为深度可分卷积层；
所述解码模块，包括顺次连接的解码块和特征选择块；
所述特征选择块，包括第一特征选择支线、第二特征选择支线和特征选择总线，第一特征选择支线和第二选择支线相加与特征选择总线连接；所述第二特征选择支线的输入和特征选择总线的输出相乘；所述第一特征选择支线包括顺次连接的高层输入端、卷积核为3×3的卷积层和卷积核为1×1的卷积层；所述第二特征选择支线包括顺次连接的低层输入端、卷积核为3×3的卷积层和卷积核为1×1的卷积层；所述特征选择总线包括顺次连接的线性整流层、Sigmoid函数层、线性转化层和Sigmoid函数层。
2.根据权利要求1所述的基于双流边界感知的动脉瘤图像分析系统，其特征在于，双流边界感知单元包括：待编码图像生成子单元、分级编码子单元、特征集合子单元、残差传输子单元、双流感知子单元、分级解码次级子单元、边界定位次级子单元、特征选择子单元、边界特征融合子单元和特征图像输出子单元；
所述待编码图像生成子单元，配置为基于所述待检测图像，通过双流边界感知网络的第一卷积层生成待编码图像；
所述分级编码子单元，配置为基于所述待编码图像，通过双流边界感知网络的多级嵌套的各编码模块进行分级编码，获得特征压缩图像；
所述特征集合子单元，配置为基于所述特征压缩图通过特征集合块生成特征集合图像；
所述残差传输子单元，配置为通过残差连接将各级编码模块的输入信息传递至同级解码模块的特征选择块；
所述双流感知子单元，包括分级解码次级子单元和边缘感知次级子单元；
所述分级解码次级子单元，配置为基于所述特征压缩图像，通过双流边界感知网络的多级嵌套的各解码块进行分级解码，获得强化特征图像；
所述边界定位次级子单元，配置为通过双流边界感知网络的边界定位流各级编码模块的输入信息和特征压缩图像提取边界特征，基于所述边界特征通过所述第三卷积层生成动脉瘤边界特征图像；
所述特征选择子单元，配置为将所述通过残差连接传输的编码模块输入信息输入所述特征选择块的低层输入端，将所述强化特征图像输入特征选择块的高层输入端，通过特征选择块生成选择性特征图像；
所述边界特征融合子单元，配置为将所述动脉瘤边界特征图像和所述选择性特征图像融合并经过第二卷积层生成主动脉瘤图像掩膜；
所述特征图像输出子单元，配置为将所述动脉瘤边界特征图像和主动脉瘤图像掩膜输出。
3.根据权利要求2所述的基于双流边界感知的动脉瘤图像分析系统，其特征在于，所述特征选择子单元，其输出是通过残差连接传输的编码模块输入信息和强化特征图像的融合特征图像与选择系数的主元素相乘的乘积：
Figure FDA0003352069530000031
其中，
Figure FDA0003352069530000032
为融合特征图像每个像素对应的向量，选择系数
Figure FDA0003352069530000033
l是层标号；
其中所述选择系数
Figure FDA0003352069530000034
为：
Figure FDA0003352069530000035
其中，σ1表示ReLU激活函数，σ2表示sigmoid激活函数，Ψ表示线性变换操作，Wx和Wh表示线性变换的权重，bx、bh和bΨ表示偏差，hi表示高层特征输入，xi表示低层特征输入。
4.根据权利要求2所述的基于双流边界感知的动脉瘤图像分析系统，其特征在于，所述双流边界感知网络，其训练方法为,：
步骤B10，获取包含主动脉瘤的区域的DSA图像集合作为网络的训练样本，并重复执行待编码图像生成子单元——特征图像输出子单元的功能获得主动脉瘤边界特征图像和主动脉瘤图像掩膜；
步骤B20，基于所述主动脉瘤边界特征图像和主动脉瘤图像掩膜，计算多任务混合损失函数值L，并通过随机梯度下降算法迭代进行网络的训练和参数调整至所述多任务混合损失函数值L小于预设的阈值，获得训练好的双流边界感知网络；
所述多任务混合损失函数为：
L＝∑(LB(pb，yb)+LM(pm，ym))
其中，LB(pb，yb)为Dice损失函数，LM(pm，ym)为混合损失函数；
所述Dice损失函数LB(pb，yb)为：
Figure FDA0003352069530000036
其中，pb表示预测边界且pb∈RH×W，yb表示边界真值且yb∈RH×W，i表示第i个像素，ε表示平滑参数；
所述混合损失函数LM(pm，ym)为：
LM(pm，ym)＝LRF(pm，ym)+LSSIM(pm，ym)
其中，LRF(pm，ym)表示增强聚焦损失函数，LSSIM(pm，ym)表示SSIM损失函数；
所述增强聚焦损失函数为：
Figure FDA0003352069530000041
其中，
Figure FDA0003352069530000042
表示预测掩膜且
Figure FDA0003352069530000043
Figure FDA0003352069530000044
表示掩膜真值且
Figure FDA0003352069530000045
β为权重因子，γ为调制因子，i表示第i个像素；
所述SSIM损失函数为：
Figure FDA0003352069530000046
使p＝{pj：j＝1，...，M2}和y＝{yj：j＝1，…，M2}分别为预测掩膜和掩膜真值的M*M的裁剪区域的对应像素值，则μp为预测边界的平均值，σp为预测边界的标准差，μy为真实边界的平均值，σy为真实边界的标准差，σpy为预测边界和真实边界的协方差，ε1和ε2为平滑参数。
5.根据权利要求4所述的基于双流边界感知的动脉瘤图像分析系统，其特征在于，所述边界特征融合子单元，将所述边界特征图像FB用于表示掩膜特征FM，有FM＝f(FB)，其中f表示1*1的卷积，通过拉普拉斯算子从所述选择性特征图像中提取窄边界获得主动脉瘤图像掩膜。
6.根据权利要求2所述的基于双流边界感知的动脉瘤图像分析系统，其特征在于，所述系统还包括形态学分析单元；
所述形态学分析单元，配置为通过DSB-Net提取所述主动脉瘤图像掩膜的掩膜边界点，计算包围所述掩膜边界点的最小矩形并提取矩形的四个顶点和四条边，计算矩形对应边中点的欧氏距离，通过所述欧氏距离除以转化系数P2D转化为毫米距离，获得主动脉瘤的准确尺寸。
7.一种基于双流边界感知的动脉瘤图像分析方法，其特征在于，所述方法包括：
步骤S100，获取包含主动脉瘤的区域的DSA图像作为待检测图像；所述DSA图像是术中数字减影造影的图像；
步骤S200，基于所述待检测图像，通过训练好的双流边界感知网络生成主动脉瘤边界特征图像和主动脉瘤图像掩膜；
步骤S300，基于所述主动脉瘤图像掩膜和主动脉瘤边界特征结合所述DSA图像获得显示主动脉瘤的二值图像和主动脉瘤边界图像；
所述双流边界感知网络，包括：
顺次连接的第一卷积层、编码流、双流结构和第二卷积层；其中双流结构为同时与编码流连接的边界定位流和掩膜预测流，所述编码流和掩膜预测流构成多级嵌套的编码器—解码器；
所述边界定位流，将各级编码模块的输入信息和最后一级编码模块的输出信息作为边界定位流的输入信息，边界定位流的输入端顺次通过线性整流层和上采样层后进行拼接并连接第三卷积层；
所述多级嵌套的编码器—解码器，其编码器和解码器分别包括多个编码模块和多个解码模块；所述编码模块通过残差连接与对应的同级解码模块连接，所述编码模块和解码模块中间连接一个特征集合块；
所述特征集合块，输入端连接特征集合块第一支线、特征集合块第二支线和特征集合块第三支线；所述特征集合块第一支线，配置为与特征集合块输入端顺次连接的自适应平均池化层、卷积核为1×1的卷积层；所述特征集合块第二支线，配置为与特征集合块输入端连接的卷积核为1×1的卷积层；所述特征集合块第三支线，配置为与特征集合块输入端顺次连接的呈U型结构的卷积核为7×7的两个卷积层、卷积核为5×5的两个卷积层和卷积核为3×3的两个卷积层；特征集合块各支线输出进行融合后连接第一级解码模块；
所述编码模块，基于预训练的MobileNetV2构建，将MobileNetV2的标准卷积层更换为深度可分卷积层；
所述解码模块，包括顺次连接的解码块和特征选择块；
所述特征选择块，包括第一特征选择支线、第二特征选择支线和特征选择总线，第一特征选择支线和第二选择支线相加与特征选择总线连接；所述第二特征选择支线的输入和特征选择总线的输出相乘；所述第一特征选择支线包括顺次连接的高层输入端、卷积核为3×3的卷积层和卷积核为1×1的卷积层；所述第二特征选择支线包括顺次连接的低层输入端、卷积核为3×3的卷积层和卷积核为1×1的卷积层；所述特征选择总线包括顺次连接的线性整流层、Sigmoid函数层、线性转化层和Sigmoid函数层。
8.一种电子设备，其特征在于，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求7所述的基于双流边界感知的动脉瘤图像分析方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求7所述的基于双流边界感知的动脉瘤图像分析方法。
CN202110048844.3A 2021-01-14 2021-01-14 基于双流边界感知的动脉瘤图像分析系统、方法和设备 Active CN112837218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110048844.3A CN112837218B (zh) 2021-01-14 2021-01-14 基于双流边界感知的动脉瘤图像分析系统、方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110048844.3A CN112837218B (zh) 2021-01-14 2021-01-14 基于双流边界感知的动脉瘤图像分析系统、方法和设备

Publications (2)

Publication Number Publication Date
CN112837218A CN112837218A (zh) 2021-05-25
CN112837218B true CN112837218B (zh) 2022-02-08

Family

ID=75928213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110048844.3A Active CN112837218B (zh) 2021-01-14 2021-01-14 基于双流边界感知的动脉瘤图像分析系统、方法和设备

Country Status (1)

Country Link
CN (1) CN112837218B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463187B (zh) * 2022-04-14 2022-06-17 合肥高维数据技术有限公司 基于聚合边缘特征的图像语义分割方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570402A (zh) * 2019-08-19 2019-12-13 浙江科技学院 基于边界感知神经网络的双目显著物体检测方法
CN111462086A (zh) * 2020-03-31 2020-07-28 北京推想科技有限公司 图像分割方法及装置、神经网络模型的训练方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724365B (zh) * 2020-06-16 2021-11-09 中国科学院自动化研究所 血管内动脉瘤修复手术的介入器械检测方法、系统及装置
CN111681254A (zh) * 2020-06-16 2020-09-18 中国科学院自动化研究所 用于血管动脉瘤介入手术导航系统的导管检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570402A (zh) * 2019-08-19 2019-12-13 浙江科技学院 基于边界感知神经网络的双目显著物体检测方法
CN111462086A (zh) * 2020-03-31 2020-07-28 北京推想科技有限公司 图像分割方法及装置、神经网络模型的训练方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Boundary-Aware Salient Object Detection via Recurrent Two-Stream Guided Refinement Network》;Fangting Lin等;《arXiv:1912.05236v1》;20191211;第1-10页 *
《FRR-NET: FAST RECURRENT RESIDUAL NETWORKS FOR REAL-TIME CATHETER SEGMENTATION AND TRACKING IN ENDOVASCULAR ANEURYSM REPAIR》;Yan-Jie Zhou等;《2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI)》;20200407;第961-964页 *
《基于双流卷积神经网络的人体行为识别方法》;刘云 等;《计算机系统应用》;20190731;第28卷(第7期);第234-239页 *

Also Published As

Publication number Publication date
CN112837218A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
Sobhaninia et al. Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning
CN111986181B (zh) 基于双注意力机制的血管内支架图像分割方法和系统
US9076197B2 (en) Probability density function estimation
US5790690A (en) Computer-aided method for automated image feature analysis and diagnosis of medical images
US8244012B2 (en) Computer aided detection of pulmonary embolism with local characteristic features in CT angiography
US20220215536A1 (en) Method and apparatus for analyzing aortic aneurysms and endoleaks in computed tomography scans
CN111612756B (zh) 冠状动脉特异性钙化检测方法及装置
CN113012173A (zh) 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置
JP6945253B2 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
CN112837218B (zh) 基于双流边界感知的动脉瘤图像分析系统、方法和设备
CN111340794B (zh) 冠状动脉狭窄的量化方法及装置
de Carvalho Macruz et al. Quantification of the thoracic aorta and detection of aneurysm at CT: development and validation of a fully automatic methodology
McCullough et al. Convolutional neural network models for automatic preoperative severity assessment in unilateral cleft lip
EP2178047A2 (en) Ribcage segmentation
Smith et al. Detection of fracture and quantitative assessment of displacement measures in pelvic X-RAY images
Chedid et al. Synthesis of fracture radiographs with deep neural networks
CN113538475B (zh) 基于多任务算法的实时多器械分割方法和系统
Adegun et al. Deep convolutional network-based framework for melanoma lesion detection and segmentation
Kiran et al. AI-Powered Radiology: Enhancing Efficiency and Accuracy in Knee Osteoarthritis Diagnosis through Automated Bone Segmentation
CN113223014A (zh) 基于数据增强的脑部图像分析系统、方法及设备
CN111768367A (zh) 数据处理方法、装置和存储介质
WO2022138277A1 (ja) 学習装置、方法及びプログラム並びに医用画像処理装置
Anima et al. On the Automated unruptured Intracranial Aneurysm segmentation from TOF-MRA using Deep Learning Techniques.
US20240185417A1 (en) Systems and methods for processing mammography images
EP4113439B1 (en) Determining a location at which a given feature is represented in medical imaging data

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