CN113947205A - 神经网络模型训练方法、计算机可读存储介质和设备 - Google Patents

神经网络模型训练方法、计算机可读存储介质和设备 Download PDF

Info

Publication number
CN113947205A
CN113947205A CN202111193734.2A CN202111193734A CN113947205A CN 113947205 A CN113947205 A CN 113947205A CN 202111193734 A CN202111193734 A CN 202111193734A CN 113947205 A CN113947205 A CN 113947205A
Authority
CN
China
Prior art keywords
blood vessel
image
brain
neural network
network model
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.)
Pending
Application number
CN202111193734.2A
Other languages
English (en)
Inventor
李跃华
魏小二
宋心雨
尚凯
周佳
汪璇
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.)
Shanghai Sixth Peoples Hospital
Original Assignee
Shanghai Sixth Peoples 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 Shanghai Sixth Peoples Hospital filed Critical Shanghai Sixth Peoples Hospital
Priority to CN202111193734.2A priority Critical patent/CN113947205A/zh
Publication of CN113947205A publication Critical patent/CN113947205A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/501—Clinical applications involving diagnosis of head, e.g. neuroimaging, craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30016—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
    • G06T2207/30096—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

Abstract

本发明提供一种用于检测脑部CTA图像中血管病灶的神经网络模型训练方法，包括：获取多个患者的脑部CTA图像和脑部DSA图像；获得各所述脑部DSA图像的第一血管病灶信息；获得各所述脑部CTA图像和脑部DSA图像的空间位置映射关系；根据所述空间位置映射关系将所述第一血管病灶信息映射到所述脑部CTA图像上，获得各所述脑部CTA图像的目标血管病灶信息；获取训练样本，所述训练样本包括各所述脑部CTA图像和各所述脑部CTA图像的目标血管病灶信息；获取初始神经网络模型，将各所述脑部CTA图像作为输入样本，将各所述目标血管病灶信息作为输出目标样本，对所述初始神经网络模型进行训练，得到目标神经网络模型。

Description

神经网络模型训练方法、计算机可读存储介质和设备
技术领域
本申请涉及医学技术和深度学习领域，特别时涉及一种用于检测脑部CTA图像中血管病灶的神经网络模型训练方法、系统、可读存储介质和设备。
背景技术
CTA(即CT angiography)又称为CT血管造影，是在增强CT扫描以后进行的重建方法，简单来讲就是在扫描时向血管内注入一定的造影剂时血管腔充盈并采集其数据，然后通过计算机重建处理，可获得三维影像。CTA这种无创、方便和可靠的方式常用来检测颅内血管病灶。美国心脏协会和中风协会指南已建议将CTA作为检测和随访未破裂/破裂颅内动脉瘤，以及手术前规划的有用工具。但是如果血管上存在使血管严重狭窄、阻塞的病灶，使造影剂难以通过，那么病灶部分远端血管会出现显影不佳的状况，不利于对血管病灶的精准诊断。且CTA的诊断需要非常专业且富有经验的放射学专家进行，医生相互间的诊断结果往往不一致，对可靠的诊断提出了额外的难度。CTA的有效诊断率在28％～97.8％之间，这可能导致在临床时间中动脉瘤的检测不足。目前临床上，医院仍然主要由有经验的医生进行CTA的影响筛查，以及动脉瘤的诊断，无论在诊断速度还是诊断有效性上，都存在很大的挑战。
DSA(Digital subtraction angiography)又叫做数字减影血管造影，是一种侵入性的有创检查，通过导丝进行血管介入手术，导丝用于建立经皮到目标血管的入路。造影剂的注入、血管支架的放置和闭塞管腔的疏通均依赖在X射线图像引导下导丝的侵入操作。在导丝插入期间，通常使用术中X射线荧光透视图像进行引导，DSA检查过程非常耗时。二维的血管图像存在交叉等情况。DSA一直被认为是诊断颅内动脉瘤的金标准，利用DSA图像可以较为清晰快速准确的获取病灶信息，对医生要求较低。与CTA和磁共振血管造影(MRA)相比，DSA具有更高的分辨率和检测灵敏度，尤其是对于小于3毫米的颅内动脉瘤。
CTA的诊断非常耗时，并且对医生的专业性要求较高，诊断速度和诊断有效性上都存在极大的挑战。DSA是一种介入有创成像方式，会对患者的身心造成一定程度的创伤，且DSA检查过程相对比较耗时。考虑到上述问题，迫切需要提出一种技术方案，对患者进行无创成像，且可以实现对脑部血管的精确快速诊断。
发明内容
针对现有技术存在的问题，本发明实施例提供一种神经网络模型训练方法、计算机可读存储介质和设备，其结合了CTA和DSA的成像和诊断优势，可以对患者进行无创成像，且可以实现对脑部血管的精确快速诊断。
第一方面，本发明提供一种用于检测脑部CTA图像中血管病灶的神经网络模型训练方法，所述方法包括如下步骤：
获取多个患者的脑部CTA图像和脑部DSA图像；
获得各所述脑部DSA图像的第一血管病灶信息；
获得各所述脑部CTA图像和脑部DSA图像的空间位置映射关系；
根据所述空间位置映射关系将所述第一血管病灶信息映射到所述脑部CTA图像上，获得各所述脑部CTA图像的目标血管病灶信息；
获取训练样本，所述训练样本包括各所述脑部CTA图像和各所述脑部CTA图像的目标血管病灶信息；
获取初始神经网络模型，将各所述脑部CTA图像作为输入样本，将各所述目标血管病灶信息作为输出目标样本，对所述初始神经网络模型进行训练，得到目标神经网络模型。
在其中一个实施例中，获取训练样本包括以下步骤：
获取相同患者的CTA图像和DSA图像；
检测DSA图像的第一血管病灶信息；
根据空间位置映射关系将第一血管病灶信息映射到CTA图像上，获得目标血管病灶信息。
在一个实施例中，所述第一血管病灶信息包括：病灶位置、病灶长度、病灶血管直径、参考血管直径和血管狭窄率中的至少一种。
在一个实施例中，所述获得各所述脑部DSA图像的第一血管病灶信息，包括：
对所述脑部DSA图像进行分割处理，获得DSA血管图像；
提取所述DSA血管图像的血管中心线作为第一血管中心线；
根据所述脑部DSA图像和所述第一血管中心线，获得所述第一血管病灶信息。
在一个实施例中，所述根据所述脑部DSA图像和所述第一血管中心线，获得所述第一血管病灶信息，包括：
计算所述第一血管中心线的各位置对应的血管直径；
根据所述第一血管中心线的各位置对应的血管直径，获得所述第一血管病灶信息。
在一个实施例中，所述获得各所述脑部CTA图像和脑部DSA图像的空间位置映射关系，包括：
对所述脑部CTA图像进行分割处理，获得CTA血管图像；
提取所述CTA血管图像的血管中心线作为第二血管中心线；
对所述第一血管中心线和所述第二血管中心线进行配准，获得中心线配准结果；
根据所述中心线配准结果获得脑部CTA图像和脑部DSA图像的空间位置映射关系。
在一个实施例中，所述获得各所述脑部CTA图像和脑部DSA图像的空间位置映射关系，还包括：
对所述血管边界进行匹配，获得血管边界匹配结果；
根据所述血管边界匹配结果和所述中心线配准结果获得脑部CTA图像和脑部DSA图像的空间位置映射关系。
在一个实施例中，所述对所述初始神经网络模型进行训练，得到目标神经网络模型，包括：
获取所述初始神经网络模型在输入所述各脑部CTA图像时的预测输出信息，根据所述预测输出信息和所述目标血管病灶信息获取预测偏差；
根据所述预测偏差调整所述初始神经网络模型的训练参数，获取目标神经网络模型。
第二方面，本发明提供了一种检测脑部CTA图像的血管病灶信息的方法，包括：
获取待检测的脑部CTA图像；
将所述待检测的脑部CTA图像输入至利用权利要求1至7任一项所述方法训练得到的目标神经网络模型；
获取所述目标神经网络模型输出的目标血管病灶信息。
第三方面，本发明提供一种计算机可读存储介质，其上存储有可执行程序，所述可执行程序被计算机执行时实现本发明记载的方法。
第四方面，本发明提供一种计算机设备，包括存储器和处理器，存储器存储有可执行程序，处理器执行所述可执行程序时实现本发明记载的方法。
相比于相关技术，本发明提供的用于检测脑部CTA图像中血管病灶的用于检测脑部CTA图像中血管病灶的神经网络模型训练方法、计算机可读存储介质和设备，可以快速精准的获取CTA图像的特征信息，降低了对医生的要求，且提高了CTA图像的诊断精度。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以是本申请的其他特征、目的和有点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1所示为本发明提供的神经网络模型训练方法的流程图。
图2所示为本发明提供的获取DSA图像的血管病灶信息的流程图。
图3所示为本发明提供的局部DSA图像示意图。
图4所示为本发明提供的DSA图像分割后的血管示意图。
图5所示为本发明提供的从DSA血管图像中提取血管的中心示意图。
图6所示为本发明提供的相同患者的CTA图像和DSA图像。
图7所示为本发明提供的DSA血管图像和CTA血管图像的配准示意图。
图8所示为本发明提供的确定目标配准结果的方法示意图。
图9所示为本发明提供的检测CTA图像的血管病灶信息的流程图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅
仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1所示，为本申请一个实施例的是神经网络模型训练方法的流程示意图。该实施例中的神经网络模型训练方法包括以下步骤：
步骤S110：获取训练样本，训练样本包括多幅CTA图像和与多幅CTA图像一一对应的目标血管病灶信息。
在本步骤中，CTA图像为通过非创伤性血管成像技术获得的三维影像。多幅CTA图像为对多个不同患者进行非创伤性血管成像获得的多幅三维影像。目标血管病灶信息包括CTA图像中的病灶血管信息，所述病灶血管指的是含有斑块、血栓、其他狭窄病变等病灶的血管，血管病灶信息包括病灶位置、病灶长度(指病灶沿血管中心线方向的延伸长度)、病灶血管直径、参考血管直径和血管狭窄率中的至少一种。计算每幅CTA图像的病灶血管信息作为目标血管病灶信息，可以获得与每幅CTA图像对应的目标血管病灶信息。目标血管病灶信息的输出形式不限，可以是将目标特征信息以文字和/或图形表示的方式标注在对应的CTA图像上，或者直接以文字报告的形式进行输出。其中图形表示可以包括在CTA图像上用矩形框、箭头等形式表征并进行病灶血管信息提示。
步骤S120：获取初始神经网络模型，将多幅CTA图像作为输入样本，将目标血管病灶信息作为输出目标样本，对初始神经网络模型进行训练。
初始神经网络模型可以为卷积神经网络模型CNN、循环神经网络模型RNN或者生成对抗神经网络GAN等。对多幅CTA图像作为输入样本，将与CTA图像一一对应的目标血管病灶信息作为输出目标训练样本，对初始神经网络模型进行训练，使初始神经网络模型能对输入的CTA图像做出判断，输出相应的目标特征信息。使得对CTA图像的诊断不完全依赖于医生的临床诊断经验，降低了对医生的要求，同时提高了诊断速度和诊断有效性。
对初始神经网络模型进行训练的具体步骤包括：
步骤S1201：获取初始神经网络模型在输入多幅CTA图像时的预测输出信息，根据预测输出信息和目标血管病灶信息获取预测偏差。
在训练过程中，以目标血管病灶信息作为输出目标，将CTA图像图像输入待训练神经网络模型中进行训练，生成预测血管病灶信息作为预测输出信息。
通过应用于神经网络模型的损失函数计算表征预测输出信息与输出目标之间的差异值，即预测偏差，作为损失值。
步骤S1202：根据预测偏差调整所述初始神经网络模型的训练参数，获取目标神经网络模型。
若预测偏差即损失值超过预设阈值，说明目前神经网络模型所生成的预测输出信息与输出目标之间有较大差异，则继续用训练数据对当前神经网络模型进行训练，以更新迭代当前神经网络模型中的训练参数，其中预设阈值可根据实际精确度需求进行调整。
若损失值低于预设阈值，说明目前神经网络模型所生成的预测输出信息已经接近输出目标，则训练完成，此时的神经网络模型可以作为目标神经网络模型。
参见图2所示，为本申请一个实施例的是获取DSA图像的血管病灶信息的流程图。该实施例中的神经网络训练方法包括以下步骤：
步骤S210：对DSA图像进行分割处理，将血管像素与背景像素区分，获得DSA血管图像。
此处对分割模型和分割算法不做具体限制，可以使用现有分割算法或分割模型对DSA图像进行分割处理，通过对DSA图像(如图3)进行血管分割获得如图4所示的分割后的DSA血管图像。
步骤S220：提取DSA血管图像的血管中心线作为第一血管中心线。
此处对血管中心线的提取方法不做限制，可以采用现有技术中的模型或算法，提取效果如图5所示。
步骤S230：根据DSA图像和第一血管中心线，获得第一血管病灶信息。
本步骤包括计算对应血管管腔处中心线垂线，统计垂线上血管像素数量即可得出血管直径。
血管病灶信息包括狭窄血管直径、参考血管直径、血管狭窄率、狭窄血管长度和狭窄血管位置信息等。
狭窄血管直径即病灶血管直径，可通过统计病灶血管处的血管管腔处中心线垂线上的血管像素数量。参考血管直径即正常血管直径，可通过统计正常血管处的血管管腔处中心线垂线上的血管像素数量。
血管狭窄率的计算方法可以使用NASCET法、ECST法和CC法，计算公式分别如下：
NASCET法：血管狭窄率＝(狭窄远端正常直径-狭窄段最窄直径)/狭窄远端正常直径ⅹ100％。
ECST法：血管狭窄率＝(狭窄段估计的正常直径-狭窄段最窄直径)/狭窄段估计的正常直径ⅹ100％。
CC法：血管狭窄率＝(颈总动脉直径-狭窄段直径)/经总动脉直径ⅹ100％。
狭窄血管长度的计算方法可以通过统计病灶血管处血管中心线的像素数量，其他计算方式如果可以达到相同目的也可以。
狭窄血管位置信息为病灶血管具体在哪段血管上，具体在血管的什么位置，具体表现方式不做限制，如，也可以引入方位信息进行具体表示，具体可根据医生习惯进行或行业习惯进行表示。
DSA图像可以清晰的查看到病灶血管信息，对于医生的经验要求较低，本申请获取的血管病灶信息可以提供客观的参考血管狭窄程度，对医生的临床诊断具有积极重要的作用。
图6左侧的图像为一幅CTA图像，右侧的图像为一幅DSA图像。左侧图像可以清晰的定位血管在整个组织中的位置。CTA图像虽然也能观察到血管，但不及DSA图像上血管的显现清楚明显。在DSA图像可以清晰的观察到血管的细节信息。本申请考虑到CTA和DSA成像的优缺点，提出了一种基于DSA更高的分辨率和检测灵敏度，优先定位病灶位置，并确定病灶血管的血管病灶信息，通过DSA图像和CTA图像的配准，定位CTA图像的对应的病灶血管的位置和血管病灶信息。相较于医生直接在CTA图像上标注病灶血管，此方法降低了对医生的要求，且提高了病灶血管定位的准确性。
参见图7所示为本发明提供的DSA血管图像和CTA血管图像的配准示意图。该实施例中的神经网络训练方法包括以下步骤：
步骤S710：对DSA图像进行分割处理，获得DSA血管图像。此处对分割模型和分割算法不做具体限制，可以使用现有分割算法或分割模型对DSA图像进行分割处理。
步骤S720：对CTA图像进行分割处理，获得CTA血管图像。此处对分割模型和分割算法不做具体限制，可以使用现有分割算法或分割模型对CTA图像进行分割处理。
步骤S730：提取DSA血管图像的血管中心线作为第一血管中心线。此处对血管中心线的提取方法不做限制。
步骤S740：提取CTA血管图像的血管中心线作为第二血管中心线。此处对血管中心线的提取方法不做限制。
步骤S750：对第一血管中心线和第二血管中心线进行配准。
步骤S760：根据目标配准结果，获得目标血管病灶信息。
本步骤中，在第一血管中心线和第二血管中心线完成配准的情况下，将DSA图像的血管病灶信息映射到CTA图像上。
参见图8所示为为本发明提供的确定目标配准结果的方法示意图。将DSA图像的血管病灶信息映射到CTA图像中获得目标特征信息的关键在于精确的配准结果。
CTA图像和DSA图像的刚性变换可以基于稠密的CTA血管图像和DSA血管图像的对应关系计算得到，因此，可以认为最佳的刚性配准结果与最佳的血管匹配相关。本申请为获得最佳的目标配准结果提出配准方法。
由于CTA血管图像和DSA血管图像中的血管存在形态不一致现象，如血管末端长度不同和血管伪分叉，因此本申请提出了一个实施例，对配准结果进行优化，得到最大匹配结果作为目标配准结果。
首先，优选地，可以采用GTSR、HTSR和MCTSR算法中的任意一种对第一血管中心线和第二血管中心线进行配准，本实施例以MCTSR算法为例，在血管中心线达到最大匹配时，将DSA血管图像、CTA血管图像经MCTSR算法获得的最大匹配为输入，设定阈值参数；获得待匹配的CTA血管图像的血管边界集合，并初始目标配准结果为最大匹配，然后判断边界集合是否为空集，同时根据当前匹配状态通过有效配对对探测获得的可拓展配对集合，判断可拓展配对集合是否为空集，当边界集合为空集则所有的CTA血管边界已经找到对应匹配，可拓展配对集合为空则在满足拓扑连续性的条件下没有可行的配对，此时循环结束。将匹配结果作为目标配准结果。
优选地，血管的稠密匹配在最大匹配的基础上进行血管边界曲线匹配。
对于血管分支的曲线匹配，在血管树的主干入口和末端通常存在血管长度不一现象。在长度不一致的情况下，较长血管段多余的部分会干扰匹配结果，使得整体匹配精度降低。为解决该问题，提出血管边界曲线匹配，采用以动态时间规划方法DTW为基础的曲线匹配优化方法。
上述血管匹配方法均是为了实现血管的精确匹配。
本申请还提出一种基于深度学习方法进行血管匹配优化的方案，目的时获得血管匹配的目标配准结果。本申请提出一种配准模型，
将第一血管中心线和第二血管中心线作为第一组训练数据输入至神经网络模型。将CTA血管图像和DSA血管图像分别提取的血管边界作为第二组训练数据输入至神经网络模型。将第一血管中心线和第二血管中心线的最佳配准结果作为第一组输出信息。将CTA血管图像和DSA血管图像分别提取的血管边界的最佳配准结果作为第二组输出信息。通过神经网络的输出确定第一组预测偏差值和第二组预测偏差值，根据第一组预测偏差值和第二组预测偏差值的变化确定调节因子，根据调节因子对训练数据样本组的权重进行调整。根据第一组预测偏差值、第二组预测偏差值和训练样本组的权重获取神经网络的损失函数，根据损失函数调整初始化神经网络的模型的训练参数，对训练参数固定后，获得最终的配准模型。上述配准模型综合考虑了血管边界匹配结果和血管中心线匹配结果，使得配准结果更加精准。
参见图9所示的本发明提供的检测CTA图像的血管病灶信息的流程图，包括以下步骤：
获取待检测的CTA图像；
将待检测的CTA图像输入至上述任一实施例对应的神经网络；
获取待检测的CTA图像对应的目标血管病灶信息。
其中目标血管病灶信息可以以病灶血管信息报告的形式输出，也可以在CTA图像上直接标注出目标血管特征信息，在此对目标血管病灶信息的输出方式和表现形式不做限制。
本申请还提出了一种神经网络训练系统，用于检测CTA图像的血管病灶信息，包括：
训练样本获取单元，用于获取训练样本，训练样本包括多幅CTA图像和与多幅CTA图像一一对应的目标血管病灶信息；
网络获取单元，用于获取初始神经网络模型，将多幅CTA图像作为输入样本，将目标血管病灶信息作为输出目标样本，对初始神经网络模型进行训练，得到目标神经网络。
在一个实施例中，神经网络包括反馈卷积神经网络，反馈卷积神经网络分为多层迭代网络，反馈卷积神经网络的输入连接至每层迭代网络的输出的前一级；每层迭代网络的反馈卷积块包括交错连接的多个卷积层和多个反卷积层，在前卷积层与在后卷积层相连接，在前反卷积层与在后卷积层相连接。
本申请实施例的各个神经网络训练系统与上述神经网络训练方法相对应，在上述神经网络训练方法的实施例阐述的技术特征及其有益效果均适用于神经网络训练系统的实施例中。
根据上述神经网络训练方法，本申请实施例还提供一种计算机可读存储介质和计算机设备。一种可读存储介质，其上存储有可执行程序，可执行程序被处理器执行时实现上述的方法。
一种计算机设备，包括存储器和处理器，存储器存储有可执行程序，处理器执行可执行程序时实现上述的方法。
本领域普通技术人员可以理解实现上述实施例用于神经网络训练方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一非易失性的计算机可读取存储介质中，如实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述神经网络训练方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种用于检测脑部CTA图像中血管病灶的神经网络模型训练方法，其特征在于，所述方法包括如下步骤：
获取多个患者的脑部CTA图像和脑部DSA图像；
获得各所述脑部DSA图像的第一血管病灶信息；
获得各所述脑部CTA图像和脑部DSA图像的空间位置映射关系；
根据所述空间位置映射关系将所述第一血管病灶信息映射到所述脑部CTA图像上，获得各所述脑部CTA图像的目标血管病灶信息；
获取训练样本，所述训练样本包括各所述脑部CTA图像和各所述脑部CTA图像的目标血管病灶信息；
获取初始神经网络模型，将各所述脑部CTA图像作为输入样本，将各所述目标血管病灶信息作为输出目标样本，对所述初始神经网络模型进行训练，得到目标神经网络模型。
2.根据权利要求1所述的神经网络模型训练方法，其特征在于，所述第一血管病灶信息包括：病灶位置、病灶长度、病灶血管直径、参考血管直径和血管狭窄率中的至少一种。
3.根据权利要求2所述的神经网络模型训练方法，其特征在于，所述获得各所述脑部DSA图像的第一血管病灶信息，包括：
对所述脑部DSA图像进行分割处理，获得DSA血管图像；
提取所述DSA血管图像的血管中心线作为第一血管中心线；
根据所述脑部DSA图像和所述第一血管中心线，获得所述第一血管病灶信息。
4.根据权利要求3所述的神经网络模型训练方法，其特征在于，所述根据所述脑部DSA图像和所述第一血管中心线，获得所述第一血管病灶信息，包括：
计算所述第一血管中心线的各位置对应的血管直径；
根据所述第一血管中心线的各位置对应的血管直径，获得所述第一血管病灶信息。
5.根据权利要求3所述的神经网络模型训练方法，其特征在于，所述获得各所述脑部CTA图像和脑部DSA图像的空间位置映射关系，包括：
对所述脑部CTA图像进行分割处理，获得CTA血管图像；
提取所述CTA血管图像的血管中心线作为第二血管中心线；
对所述第一血管中心线和所述第二血管中心线进行配准，获得中心线配准结果；
根据所述中心线配准结果获得脑部CTA图像和脑部DSA图像的空间位置映射关系。
6.根据权利要求4所述的神经网络模型训练方法，其特征在于，所述获得各所述脑部CTA图像和脑部DSA图像的空间位置映射关系，还包括：
对所述血管边界进行匹配，获得血管边界匹配结果；
根据所述血管边界匹配结果和所述中心线配准结果获得脑部CTA图像和脑部DSA图像的空间位置映射关系。
7.根据权利要求1所述的神经网络模型训练方法，其特征在于，所述对所述初始神经网络模型进行训练，得到目标神经网络模型，包括：
获取所述初始神经网络模型在输入所述各脑部CTA图像时的预测输出信息，根据所述预测输出信息和所述目标血管病灶信息获取预测偏差；
根据所述预测偏差调整所述初始神经网络模型的训练参数，获取目标神经网络模型。
8.一种检测脑部CTA图像的血管病灶信息的方法，其特征在于，包括：
获取待检测的脑部CTA图像；
将所述待检测的脑部CTA图像输入至利用权利要求1至7任一项所述方法训练得到的目标神经网络模型；
获取所述目标神经网络模型输出的目标血管病灶信息。
9.一种计算机可读存储介质，其上存储有可执行程序，其特征在于，所述可执行程序被计算机执行时实现权利要求1至8中任意一项所述的方法。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有可执行程序，其特征在于，所述处理器执行所述可执行程序时实现权利要求1至8中任意一项所述的方法。
CN202111193734.2A 2021-10-13 2021-10-13 神经网络模型训练方法、计算机可读存储介质和设备 Pending CN113947205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111193734.2A CN113947205A (zh) 2021-10-13 2021-10-13 神经网络模型训练方法、计算机可读存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111193734.2A CN113947205A (zh) 2021-10-13 2021-10-13 神经网络模型训练方法、计算机可读存储介质和设备

Publications (1)

Publication Number Publication Date
CN113947205A true CN113947205A (zh) 2022-01-18

Family

ID=79329593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111193734.2A Pending CN113947205A (zh) 2021-10-13 2021-10-13 神经网络模型训练方法、计算机可读存储介质和设备

Country Status (1)

Country Link
CN (1) CN113947205A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677436A (zh) * 2022-03-14 2022-06-28 南京邮电大学 基于模型配准的脑部cta图像中的脑血管自动定位方法
CN117274502A (zh) * 2023-11-17 2023-12-22 北京唯迈医疗设备有限公司 一种辅助介入手术的图像处理方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677436A (zh) * 2022-03-14 2022-06-28 南京邮电大学 基于模型配准的脑部cta图像中的脑血管自动定位方法
CN117274502A (zh) * 2023-11-17 2023-12-22 北京唯迈医疗设备有限公司 一种辅助介入手术的图像处理方法及装置
CN117274502B (zh) * 2023-11-17 2024-03-01 北京唯迈医疗设备有限公司 一种辅助介入手术的图像处理方法及装置

Similar Documents

Publication Publication Date Title
US20220079681A1 (en) Systems and methods for correction of artificial deformation in anatomic modeling
US10460204B2 (en) Method and system for improved hemodynamic computation in coronary arteries
EP3659112B1 (en) A method for co-registering and displaying multiple imaging modalities
US9842401B2 (en) Segmentation apparatus for interactively segmenting blood vessels in angiographic image data
JP6510221B2 (ja) 医用画像処理装置
CN108475428B (zh) 心脏模型引导的冠状动脉分割的系统及方法
JP2016507304A (ja) 物体を検出及び追跡するとともに重ね合わせるシステム
US20180199997A1 (en) Method and apparatus for segmentation of blood vessels
CN113947205A (zh) 神经网络模型训练方法、计算机可读存储介质和设备
US20220104888A1 (en) Estimating the endoluminal path of an endoluminal device along a lumen
US20230045488A1 (en) Intraluminal imaging based detection and visualization of intraluminal treatment anomalies
US20220319004A1 (en) Automatic vessel analysis from 2d images
Cárdenes et al. 3D modeling of coronary artery bifurcations from CTA and conventional coronary angiography
US20230222668A1 (en) Image processing apparatus, image processing method, and recording medium
EP3457413B1 (en) Method for classifying a risk for thrombus formation in an organ, system for classifying a risk for thrombus formation in an organ, a computer program product and a computer readable medium
JP7426824B2 (ja) 非侵襲的イメージングベースのｆｆｒのインタラクションモニタリング
CN112967220B (zh) 评估与血管周围组织有关的ct数据集的计算机实现的方法
US20220028079A1 (en) Diagnosis support device, diagnosis support system, and diagnosis support method
EP4224416A1 (en) Identifying angiographic images for vessel assessment
US20220138940A1 (en) Medical information processing apparatus, medical information processing method, and storage medium
US20220335612A1 (en) Automated analysis of image data to determine fractional flow reserve
JP2023547373A (ja) 血管流体流速を決定する方法
IL269223B2 (en) Automatic analysis of information from images to determine ffr

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