CN114820656A - 一种基于空间排序自监督学习的冠脉提取方法及系统 - Google Patents
一种基于空间排序自监督学习的冠脉提取方法及系统 Download PDFInfo
- Publication number
- CN114820656A CN114820656A CN202210454425.4A CN202210454425A CN114820656A CN 114820656 A CN114820656 A CN 114820656A CN 202210454425 A CN202210454425 A CN 202210454425A CN 114820656 A CN114820656 A CN 114820656A
- Authority
- CN
- China
- Prior art keywords
- training
- coronary artery
- self
- network
- data set
- 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
Links
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 118
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 172
- 230000011218 segmentation Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 210000004204 blood vessel Anatomy 0.000 claims description 50
- 238000005070 sampling Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 8
- 238000011423 initialization method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013526 transfer learning Methods 0.000 abstract description 2
- 238000010968 computed tomography angiography Methods 0.000 description 27
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G06T2207/30—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)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于空间排序自监督学习的冠脉提取方法及系统，涉及医学图像处理技术领域，用以解决现有的迁移学习方法对于冠状动脉血管提取不准确的问题。本发明的技术要点包括：对CTA图像数据集进行一次预处理和二次预处理，获取自监督训练数据集；将自监督训练数据集输入基于空间排序自监督学习的3D卷积神经网络预训练模型中进行训练，获取训练好的预训练模型，并保存网络模型权重参数；将网络模型权重参数迁移至基于3D卷积神经网络的冠脉分割网络模型，作为初始网络参数；并将具有标记的冠脉区域数据集输入模型进行训练，获取训练好的冠脉分割网络模型；将待分割冠脉区域数据输入训练好的冠脉分割网络模型，实现准确的冠脉提取。
Description
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种基于空间排序自监督学习的冠脉提取方法及系统。
背景技术
心血管疾病是当今世界致死率最高的疾病，并且具有突发性和隐蔽性，心血管疾病的主要起因是冠状动脉狭窄和硬化等。针对冠状动脉血管的准确量化分析对临床心血管疾病的诊治具有重要意义。因此，进行精准的冠状动脉血管提取是量化分析的前提，对心血管疾病的诊治具有重要的临床意义。但是传统的迁移学习方法中存在域偏移，容易导致冠状动脉血管提取不准确，进而影响后续的诊断分析。
发明内容
鉴于以上问题，本发明提出一种基于空间排序自监督学习的冠脉提取方法及系统，用以解决现有的迁移学习方法对于冠状动脉血管提取不准确的问题。
根据本发明的一方面，提供一种基于空间排序自监督学习的冠脉提取方法，该方法包括以下步骤：
S1、获取CTA图像数据集；
S2、对所述CTA图像数据集进行一次预处理和二次预处理，获取自监督训练数据集；
S3、将所述自监督训练数据集输入基于空间排序自监督学习的3D卷积神经网络预训练模型中进行训练，获取训练好的3D卷积神经网络预训练模型，并保存网络模型权重参数；
S4、对经过一次预处理的CTA图像数据集中冠脉区域进行人工标注，获取具有标记的冠脉区域数据集；
S5、将网络模型权重参数迁移至基于3D卷积神经网络的冠脉分割网络模型，作为初始网络参数；并将具有标记的冠脉区域数据集输入所述冠脉分割网络模型进行训练，获取训练好的冠脉分割网络模型；
S6、将将待分割冠脉区域数据输入训练好的冠脉分割网络模型，获取冠脉分割结果。
进一步地，S2中所述一次预处理为：根据提取的血管中心线的位置获取血管半径，以构建三维冠脉标注；所述二次预处理为：将血管沿着中心线按照顺序裁剪成固定大小的多个三维图像块。
进一步地，S3中将3D卷积神经网络预训练模型的网络最后一层修改为分类网络，采用连续的三维图像块作为所述分类网络的输入，输出为三维图像块预测顺序；训练的具体过程包括：
S31、采用高斯初始化方法初始化网络参数；
S32、采用交替采样法对所述自监督训练数据集进行采样，每次按照顺序抽取4个三维图像块，初始采样间距为1，即输入网络训练的数据集为{Ai，Ai+1，Ai+2，Ai+3}；连续训练 100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；Ai表示起始三维图像块；
S33、初始采样间距为2，即输入网络训练的数据集为{Ai，Ai+2，Ai+4，Ai+6}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S34、初始采样间距为3，即输入网络训练的数据集为{Ai，Ai+3，Ai+6，Ai+9}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S35、重复S32-S34，直至自监督损失函数值小于预先设定的阈值，获得训练好的预训练网络模型。
进一步地，所述自监督损失函数值为输出的三维图像块预测顺序与真实的三维图像块顺序的差值的绝对值。
进一步地，S5中基于传统二值交叉熵损失对所述冠脉分割网络模型进行调整和训练。
进一步地，S2中所述一次预处理的具体过程包括：采用散射测量方法对CTA图像中血管进行半径提取，具体为：人工标记血管中心线位置，以所述位置向三维空间26个方向发出射线，沿着射线对比每个像素点灰度值与中心点灰度值的绝对值差值N，当N大于预设阈值时，判定射线上当前像素点为边界像素点；任意一条射线上的两个边界像素点的距离测定为Hi，则多条射线对应的距离测定为H1、H2、……、H26，选择距离的最小值作为血管当前位置中心线的直径，以获取血管中心线所在位置的半径。
进一步地，S2中所述一次预处理中在获取血管中心线位置后，采用基于三次B样条曲线拟合方法对中心线位置进行偏差矫正。
根据本发明的另一方面，提供一种基于空间排序自监督学习的冠脉提取系统，该系统包括：
CTA图像数据获取模块，其配置成获取CTA图像数据集；
自监督训练数据获取模块，其配置成对所述CTA图像数据集进行一次预处理和二次预处理，获取自监督训练数据集；
预训练模型训练模块，其配置成将所述自监督训练数据集输入基于空间排序自监督学习的3D卷积神经网络预训练模型中进行训练，获取训练好的3D卷积神经网络预训练模型，并保存网络模型权重参数；
冠脉区域数据获取模块，其配置成对经过一次预处理的CTA图像数据集中冠脉区域进行人工标注，获取具有标记的冠脉区域数据集；
冠脉分割模型训练模块，其配置成将网络模型权重参数迁移至基于3D卷积神经网络的冠脉分割网络模型，作为初始网络参数；并将具有标记的冠脉区域数据集输入所述冠脉分割网络模型进行训练，获取训练好的冠脉分割网络模型；
冠脉分割模块，其配置成将将待分割冠脉区域数据输入训练好的冠脉分割网络模型，获取冠脉分割结果。
进一步地，自监督训练数据获取模块中所述一次预处理为：根据提取的血管半径获取血管中心线的位置，以构建三维冠脉标注；具体过程包括：采用散射测量方法对CTA图像中血管进行半径提取，具体为：人工标记血管中心线位置，以所述位置向三维空间26个方向发出射线，沿着射线对比每个像素点灰度值与中心点灰度值的绝对值差值N，当N大于预设阈值时，判定射线上当前像素点为边界像素点；任意一条射线上的两个边界像素点的距离测定为 Hi，则多条射线对应的距离测定为H1、H2、……、H26，选择距离的最小值作为血管当前位置中心线的直径以获取血管中心线所在位置的半径；所述二次预处理为：将血管沿着中心线按照顺序裁剪成固定大小的多个三维图像块。
进一步地，预训练模型训练模块中将3D卷积神经网络预训练模型的网络最后一层修改为分类网络，采用连续的三维图像块作为所述分类网络的输入，输出为三维图像块预测顺序；训练的具体过程包括：
S31、采用高斯初始化方法初始化网络参数；
S32、采用交替采样法对所述自监督训练数据集进行采样，每次按照顺序抽取4个三维图像块，初始采样间距为1，即输入网络训练的数据集为{Ai，Ai+1，Ai+2，Ai+3}；连续训练 100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；Ai表示起始三维图像块；
S33、初始采样间距为2，即输入网络训练的数据集为{Ai，Ai+2，Ai+4，Ai+6}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S34、初始采样间距为3，即输入网络训练的数据集为{Ai，Ai+3，Ai+6，Ai+9}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S35、重复S32-S34，直至自监督损失函数值小于预先设定的阈值，获得训练好的预训练网络模型；所述自监督损失函数值为输出的三维图像块预测顺序与真实的三维图像块顺序的差值的绝对值；
所述冠脉分割模型训练模块中基于传统二值交叉熵损失对所述冠脉分割网络模型进行调整和训练。
本发明的有益技术效果是：
针对心血管成像数据中血管区域的自动化提取，本发明提供了一种基于空间排序自监督学习的冠脉提取方法及系统，通过CTA成像技术获取心脏造影成像数据，利用空间排序自监督模型(预训练网络模型)和冠脉分割网络模型实现了完整的冠脉分割和重建工作；其中，空间排序自监督模型实现了对冠脉分割网络的充分预训练，并且避免了传统迁移学习方法的域偏移问题，冠脉分割网络在空间排序自监督模型的基础上进一步训练，实现了准确的冠脉提取和重建，这两个模型是递进的关系，实现了全自动的冠脉重建任务，解决了由于域偏移等原因导致的冠脉提取不准确的问题。
附图说明
图1是本发明实施例一种基于空间排序自监督学习的冠脉提取方法的流程图；
图2是本发明另一实施例一种基于空间排序自监督学习的冠脉提取方法的流程示意图；
图3是本发明实施例中冠脉提取网络的结构示意图；
图4是本发明实施例中冠脉分割结果图；
图5是本发明实施例一种基于空间排序自监督学习的冠脉提取系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，本领域普通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方式或实施例，都应当属于本发明保护的范围。
本发明实施例提供一种基于空间排序自监督学习的冠脉提取方法，如图1所示，该方法包括以下步骤：
S1、获取CTA图像数据集；
S2、对CTA图像数据集进行一次预处理和二次预处理，获取自监督训练数据集；
S3、将自监督训练数据集输入基于空间排序自监督学习的3D卷积神经网络预训练模型中进行训练，获取训练好的3D卷积神经网络预训练模型，并保存网络模型权重参数；
S4、对经过一次预处理的CTA图像数据集中冠脉区域进行人工标注，获取具有标记的冠脉区域数据集；
S5、将网络模型权重参数迁移至基于3D卷积神经网络的冠脉分割网络模型，作为初始网络参数；并将具有标记的冠脉区域数据集输入冠脉分割网络模型进行训练，获取训练好的冠脉分割网络模型；
S6、将将待分割冠脉区域数据输入训练好的冠脉分割网络模型，获取冠脉分割结果。
本实施例中，可选地，S2中一次预处理为：根据提取的血管半径获取血管中心线的位置，以构建三维冠脉标注，为最终的分割模型提供标记数据；二次预处理为：将血管沿着中心线按照顺序裁剪成固定大小的多个三维图像块。
本实施例中，可选地，S3中将3D卷积神经网络预训练模型的网络最后一层修改为分类网络，采用连续的三维图像块作为分类网络的输入，输出为三维图像块预测顺序；训练的具体过程包括：
S31、采用高斯初始化方法初始化网络参数；
S32、采用交替采样法对自监督训练数据集进行采样，每次按照顺序抽取4个三维图像块，初始采样间距为1，即输入网络训练的数据集为{Ai，Ai+1，Ai+2，Ai+3}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；Ai表示起始三维图像块；
S33、初始采样间距为2，即输入网络训练的数据集为{Ai，Ai+2，Ai+4，Ai+6}；连续训练100个epoch，训练过程中将4个三维图像块顺序进行随机打乱；
S34、初始采样间距为3，即输入网络训练的数据集为{Ai，Ai+3，Ai+6，Ai+9}；连续训练100个epoch，训练过程中将4个三维图像块顺序进行随机打乱；
S35、重复S32-S34，直至自监督损失函数值小于预先设定的阈值，获得训练好的预训练网络模型。
本实施例中，可选地，自监督损失函数值为输出的三维图像块预测顺序与真实的三维图像块顺序的差值的绝对值。
本实施例中，可选地，S5中基于传统二值交叉熵损失对冠脉分割网络模型进行调整和训练。
本实施例中，可选地，S2中一次预处理的具体过程包括：采用散射测量方法对CTA图像中血管进行半径提取，具体为：人工标记血管中心线位置，以位置向三维空间26个方向发出射线，沿着射线对比每个像素点灰度值与中心点灰度值的绝对值差值N，当N大于预设阈值时，判定射线上当前像素点为边界像素点；任意一条射线上的两个边界像素点的距离测定为 Hi，则多条射线对应的距离测定为H1、H2、……、H26，选择距离的最小值作为血管当前位置中心线的直径，以获取血管中心线所在位置的半径。
本实施例中，可选地，S2中一次预处理中在获取血管中心线位置后，采用基于三次B样条曲线拟合方法对中心线位置进行偏差矫正。
本发明另一实施例提供一种基于空间排序自监督学习的冠脉提取方法，如图2所示，该方法包括下述步骤：
S1、获取完整的呼吸保持的CTA影像数据，对CTA影像数据进行人工筛查，获得有效CTA图像数据；
根据本发明实施例，所采集的CTA影像数据集为受试者在吸气末期情况下所采集的CTA 图像数据。
S2、在S1获取的有效CTA图像数据中人工标记血管中心线的位置，经过预处理后作为训练数据；
根据本发明实施例，预处理操作包括半径提取和中心线位置偏差矫正；其中，采用散射测量方法对CTA图像中血管进行半径提取。具体地，在被标记的中心线位置向26个方向发出射线(解释为：在三维立体空间中等分26个方向)，沿着射线对比每个像素点灰度值(x)与中心点灰度值(y)的绝对值差异N＝||x-y||，当N大于预设值100时，判定射线上当前像素点为边界像素点。任意一条射线上的两个边界像素点的距离测定为Hi，其中最短距离 H＝Min{H1,H2,------H26}为当前位置中心线的直径，进一步得出半径R＝H/2。
采用基于三次B样条曲线拟合方法进行中心线位置偏差矫正，具体地，将当前中心线上点作为三次B样条曲线的控制点，拟合后的曲线为矫正后中心线。例如，中心线上连续4个点为(P1,P2,P3,P4)，矫正后的中心线可以表示为曲线C＝P＝P1F1(t)+P2F2(t)+P3F3(t)+P4F4(t)，其中F1-F4为三次B样条曲线的基函数,F1(t)＝1/6(1-t)3，F2(t)＝1/6(3t3-6t2+4), F3(t)＝1/6(-3t3+3t2+3t+1)3,F4(t)＝1/6t3。其中t为曲线的参数范围，t∈(0,1)。
S3、将血管沿着中心线按照顺序裁剪固定大小的三维图像块{A1,A2,,,,An}，形成自监督训练数据集；
根据本发明实施例，三维图像块大小一般限定在30*30*30个像素，顺序为从主动脉入口处沿着中心线方向有序排列。本发明的特点是：自监督训练集沿着血管中心线按照顺序裁剪固定大小的三维图像块。
S4、构建空间排序自监督网络模型；
根据本发明实施例，利用S3获取的自监督训练数据集对冠脉提取网络模型进行自监督训练，采用3D卷积网络作为冠脉提取网络，网络结构如图3所示；在自监督训练时，首先修改冠脉提取网络最后一层为分类网络，采用连续的三维图像块作为修改后分类网络的输入，最终输出三维图像块的预测顺序。其训练过程为：
1、初始化网络参数，采用高斯初始化方法[1]初始化网络；
2、采用交替采样法对数据集进行采样，每次按照顺序抽取4个三维图像块，第一轮训练采样间距为1，即输入网络训练的数据集为{Ai,Ai+1,Ai+2,Ai+3}。连续训练100个epoch，训练过程中将4个三维图像块顺序进行随机打乱。
3、第一轮训练采样间距为2，即输入网络训练的数据集为{Ai,Ai+2,Ai+4,Ai+6}。连续训练 100个epoch，训练过程中将4个三维图像块顺序进行随机打乱。
4、第一轮训练采样间距为3，即输入网络训练的数据集为{Ai,Ai+3,Ai+6,Ai+9}。连续训练 100个epoch，训练过程中将4个三维图像块顺序进行随机打乱。
5、重复2-4步骤，直至自监督损失函数值小于预先设定的阈值，获得训练好的自监督网络模型；损失函数loss＝|S-T|，其中，S表示网络输出的三维图像块的预测顺序{a,b,c,d}，T表示真实三维图像块顺序{i,i+1,i+2,i+3}。
S5、利用S2获取的训练数据，人工标注数据集中的冠脉区域，并形成具有标记的数据库。
根据本发明实施例，人工标注数据集中的冠脉区域是依据S2中所标记的中心线及半径进行进一步处理和标注。
S6、构建冠脉分割网络模型，利用S4获取的自监督训练网络模型权值参数对冠脉分割网络模型进行初始化，并基于S5所构建的数据库，进行冠脉分割网络模型训练；
根据本发明实施例，冠脉分割网络模型训练是基于传统二值交叉熵损失[2]进行模型的调整和训练。冠脉分割网络模型首先采用自监督训练获得的权值进行初始化。在此基础上，将 S5所构建的数据库中原数据输入网络，完成原数据的分割。将原数据的分割结果和其人工标注进行对比，采用传统二值交叉熵计算损失，依据该损失调整模型，直至损失在很小范围内波动，完成模型训练。
S7、将待分割冠脉区域数据输入训练好的冠脉分割网络模型，如图4所示，获取冠脉分割结果。
进一步，将S6训练得到的冠脉分割网络模型部署应用，完成三维冠脉重建。三维重建是基于冠脉分割结果，进一步采用Marching-Cube算法进行面绘制获得三维重建结果。
本发明另一实施例提供一种基于空间排序自监督学习的冠脉提取系统，如图5所示，该系统包括：
CTA图像数据获取模块10，其配置成获取CTA图像数据集；
自监督训练数据获取模块20，其配置成对CTA图像数据集进行一次预处理和二次预处理，获取自监督训练数据集；
预训练模型训练模块30，其配置成将自监督训练数据集输入基于空间排序自监督学习的 3D卷积神经网络预训练模型中进行训练，获取训练好的3D卷积神经网络预训练模型，并保存网络模型权重参数；
冠脉区域数据获取模块40，其配置成对经过一次预处理的CTA图像数据集中冠脉区域进行人工标注，获取具有标记的冠脉区域数据集；
冠脉分割模型训练模块50，其配置成将网络模型权重参数迁移至基于3D卷积神经网络的冠脉分割网络模型，作为初始网络参数；并将具有标记的冠脉区域数据集输入冠脉分割网络模型进行训练，获取训练好的冠脉分割网络模型；
冠脉分割模块60，其配置成将待分割冠脉区域数据输入训练好的冠脉分割网络模型，获取冠脉分割结果。
本实施例中，可选地，自监督训练数据获取模块20中一次预处理为：根据提取的血管半径获取血管中心线的位置，以构建三维冠脉标注；具体过程包括：采用散射测量方法对CTA 图像中血管进行半径提取，具体为：人工标记血管中心线位置，以位置向三维空间26个方向发出射线，沿着射线对比每个像素点灰度值与中心点灰度值的绝对值差值N，当N大于预设阈值时，判定射线上当前像素点为边界像素点；任意一条射线上的两个边界像素点的距离测定为Hi，则多条射线对应的距离测定为H1、H2、……、H26，选择距离的最小值作为血管当前位置中心线的直径，以获取血管中心线所在位置的半径；二次预处理为：将血管沿着中心线按照顺序裁剪成固定大小的多个三维图像块。
本实施例中，可选地，预训练模型训练模块30中将3D卷积神经网络预训练模型的网络最后一层修改为分类网络，采用连续的三维图像块作为分类网络的输入，输出为三维图像块预测顺序；训练的具体过程包括：
S31、采用高斯初始化方法初始化网络参数；
S32、采用交替采样法对自监督训练数据集进行采样，每次按照顺序抽取4个三维图像块，初始采样间距为1，即输入网络训练的数据集为{Ai，Ai+1，Ai+2，Ai+3}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；Ai表示起始三维图像块；
S33、初始采样间距为2，即输入网络训练的数据集为{Ai，Ai+2，Ai+4，Ai+6}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S34、初始采样间距为3，即输入网络训练的数据集为{Ai，Ai+3，Ai+6，Ai+9}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S35、重复S32-S34，直至自监督损失函数值小于预先设定的阈值，获得训练好的预训练网络模型；自监督损失函数值为输出的三维图像块预测顺序与真实的三维图像块顺序的差值的绝对值；
冠脉分割模型训练模块50中基于传统二值交叉熵损失对冠脉分割网络模型进行调整和训练。
本发明实施例所述的一种基于空间排序自监督学习的冠脉提取系统的功能可以由前述一种基于空间排序自监督学习的冠脉提取方法说明，因此本实施例未详述部分，可参见以上方法实施例，在此不再赘述。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
本发明所援引的文献如下：
[1]Krizhevsky,Alex,Ilya Sutskever,and Geoffrey E.Hinton."Imagenetclassification with deep convolutional neural networks."Advances in neuralinformation processing systems 25(2012).
[2]Milletari,Fausto,Nassir Navab,and Seyed-Ahmad Ahmadi."V-net:Fullyconvolutional neural networks for volumetric medical image segmentation."2016fourth international conference on 3D vision(3DV).IEEE,2016。
Claims (10)
1.一种基于空间排序自监督学习的冠脉提取方法，其特征在于，包括以下步骤：
S1、获取CTA图像数据集；
S2、对所述CTA图像数据集进行一次预处理和二次预处理，获取自监督训练数据集；
S3、将所述自监督训练数据集输入基于空间排序自监督学习的3D卷积神经网络预训练模型中进行训练，获取训练好的3D卷积神经网络预训练模型，并保存网络模型权重参数；
S4、对经过一次预处理的CTA图像数据集中冠脉区域进行人工标注，获取具有标记的冠脉区域数据集；
S5、将网络模型权重参数迁移至基于3D卷积神经网络的冠脉分割网络模型，作为初始网络参数；并将具有标记的冠脉区域数据集输入所述冠脉分割网络模型进行训练，获取训练好的冠脉分割网络模型；
S6、将待分割冠脉区域数据输入训练好的冠脉分割网络模型，获取冠脉分割结果。
2.根据权利要求1所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S2中所述一次预处理为：根据提取的血管中心线的位置获取血管半径信息，以构建三维冠脉标注；所述二次预处理为：将血管沿着中心线按照顺序裁剪成固定大小的多个三维图像块。
3.根据权利要求2所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S3中将3D卷积神经网络预训练模型的网络最后一层修改为分类网络，采用连续的三维图像块作为所述分类网络的输入，输出为三维图像块预测顺序；训练的具体过程包括：
S31、采用高斯初始化方法初始化网络参数；
S32、采用交替采样法对所述自监督训练数据集进行采样，每次按照顺序抽取4个三维图像块，初始采样间距为1，即输入网络训练的数据集为{Ai，Ai+1，Ai+2，Ai+3}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；Ai表示起始三维图像块；
S33、初始采样间距为2，即输入网络训练的数据集为{Ai，Ai+2，Ai+4，Ai+6}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S34、初始采样间距为3，即输入网络训练的数据集为{Ai，Ai+3，Ai+6，Ai+9}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S35、重复S32-S34，直至自监督损失函数值小于预先设定的阈值，获得训练好的预训练网络模型。
4.根据权利要求3所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，所述自监督损失函数值为输出的三维图像块预测顺序与真实的三维图像块顺序的差值的绝对值。
5.根据权利要求4所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S5中基于传统二值交叉熵损失对所述冠脉分割网络模型进行调整和训练。
6.根据权利要求2所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S2中所述一次预处理的具体过程包括：采用散射测量方法对CTA图像中血管进行半径提取，具体为：人工标记血管中心线位置，以所述位置向三维空间26个方向发出射线，沿着射线对比每个像素点灰度值与中心点灰度值的绝对值差值N，当N大于预设阈值时，判定射线上当前像素点为边界像素点；任意一条射线上的两个边界像素点的距离测定为Hi，则多条射线对应的距离测定为H1、H2、……、H26，选择距离的最小值作为血管当前位置中心线的直径，以获取血管中心线所在位置的半径。
7.根据权利要求6所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S2中所述一次预处理中在获取血管中心线位置后，采用基于三次B样条曲线拟合方法对中心线位置进行偏差矫正。
8.一种基于空间排序自监督学习的冠脉提取系统，其特征在于，包括：
CTA图像数据获取模块，其配置成获取CTA图像数据集；
自监督训练数据获取模块，其配置成对所述CTA图像数据集进行一次预处理和二次预处理，获取自监督训练数据集；
预训练模型训练模块，其配置成将所述自监督训练数据集输入基于空间排序自监督学习的3D卷积神经网络预训练模型中进行训练，获取训练好的3D卷积神经网络预训练模型，并保存网络模型权重参数；
冠脉区域数据获取模块，其配置成对经过一次预处理的CTA图像数据集中冠脉区域进行人工标注，获取具有标记的冠脉区域数据集；
冠脉分割模型训练模块，其配置成将网络模型权重参数迁移至基于3D卷积神经网络的冠脉分割网络模型，作为初始网络参数；并将具有标记的冠脉区域数据集输入所述冠脉分割网络模型进行训练，获取训练好的冠脉分割网络模型；
冠脉分割模块，其配置成将待分割冠脉区域数据输入训练好的冠脉分割网络模型，获取冠脉分割结果。
9.根据权利要求8所述的一种基于空间排序自监督学习的冠脉提取系统，其特征在于，自监督训练数据获取模块中所述一次预处理为：根据提取的血管中心线的位置获取血管半径信息，以构建三维冠脉标注；具体过程包括：采用散射测量方法对CTA图像中血管进行半径提取，具体为：人工标记血管中心线位置，以所述位置向三维空间26个方向发出射线，沿着射线对比每个像素点灰度值与中心点灰度值的绝对值差值N，当N大于预设阈值时，判定射线上当前像素点为边界像素点；任意一条射线上的两个边界像素点的距离测定为Hi，则多条射线对应的距离测定为H1、H2、……、H26，选择距离的最小值作为血管当前位置中心线的直径以获取血管中心线所在位置的半径；
所述二次预处理为：将血管沿着中心线按照顺序裁剪成固定大小的多个三维图像块。
10.根据权利要求9所述的一种基于空间排序自监督学习的冠脉提取系统，其特征在于，预训练模型训练模块中将3D卷积神经网络预训练模型的网络最后一层修改为分类网络，采用连续的三维图像块作为所述分类网络的输入，输出为三维图像块预测顺序；训练的具体过程包括：
S31、采用高斯初始化方法初始化网络参数；
S32、采用交替采样法对所述自监督训练数据集进行采样，每次按照顺序抽取4个三维图像块，初始采样间距为1，即输入网络训练的数据集为{Ai，Ai+1，Ai+2，Ai+3}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；Ai表示起始三维图像块；
S33、初始采样间距为2，即输入网络训练的数据集为{Ai，Ai+2，Ai+4，Ai+6}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S34、初始采样间距为3，即输入网络训练的数据集为{Ai，Ai+3，Ai+6，Ai+9}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；
S35、重复S32-S34，直至自监督损失函数值小于预先设定的阈值，获得训练好的预训练网络模型；所述自监督损失函数值为输出的三维图像块预测顺序与真实的三维图像块顺序的差值的绝对值；
所述冠脉分割模型训练模块中基于传统二值交叉熵损失对所述冠脉分割网络模型进行调整和训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210454425.4A CN114820656A (zh) | 2022-04-27 | 2022-04-27 | 一种基于空间排序自监督学习的冠脉提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210454425.4A CN114820656A (zh) | 2022-04-27 | 2022-04-27 | 一种基于空间排序自监督学习的冠脉提取方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114820656A true CN114820656A (zh) | 2022-07-29 |
Family
ID=82509743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210454425.4A Pending CN114820656A (zh) | 2022-04-27 | 2022-04-27 | 一种基于空间排序自监督学习的冠脉提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114820656A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115588012A (zh) * | 2022-12-13 | 2023-01-10 | 四川大学 | 一种盆骨动脉血管分割方法、系统、存储介质及终端 |
| CN117079080A (zh) * | 2023-10-11 | 2023-11-17 | 青岛美迪康数字工程有限公司 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222759A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别系统 |
| CN111476757A (zh) * | 2020-03-10 | 2020-07-31 | 西北大学 | 一种冠脉斑块数据检测方法、系统、存储介质、终端 |
| US20210110533A1 (en) * | 2019-10-15 | 2021-04-15 | GE Precision Healthcare LLC | Systems and methods for multi-label segmentation of cardiac computed tomography and angiography images using deep neural networks |
| CN113256639A (zh) * | 2021-05-27 | 2021-08-13 | 燕山大学 | 基于半监督平均教师模型的冠脉造影血管图像分割方法 |
| CN113989178A (zh) * | 2020-07-08 | 2022-01-28 | 北京大学 | 基于自监督学习的cta图像血管分割与平扫图像预测 |
| US20220092771A1 (en) * | 2020-09-18 | 2022-03-24 | Siemens Healthcare Gmbh | Technique for quantifying a cardiac function from CMR images |
-
2022
- 2022-04-27 CN CN202210454425.4A patent/CN114820656A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222759A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别系统 |
| US20210110533A1 (en) * | 2019-10-15 | 2021-04-15 | GE Precision Healthcare LLC | Systems and methods for multi-label segmentation of cardiac computed tomography and angiography images using deep neural networks |
| CN111476757A (zh) * | 2020-03-10 | 2020-07-31 | 西北大学 | 一种冠脉斑块数据检测方法、系统、存储介质、终端 |
| CN113989178A (zh) * | 2020-07-08 | 2022-01-28 | 北京大学 | 基于自监督学习的cta图像血管分割与平扫图像预测 |
| US20220092771A1 (en) * | 2020-09-18 | 2022-03-24 | Siemens Healthcare Gmbh | Technique for quantifying a cardiac function from CMR images |
| CN113256639A (zh) * | 2021-05-27 | 2021-08-13 | 燕山大学 | 基于半监督平均教师模型的冠脉造影血管图像分割方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115588012A (zh) * | 2022-12-13 | 2023-01-10 | 四川大学 | 一种盆骨动脉血管分割方法、系统、存储介质及终端 |
| CN117079080A (zh) * | 2023-10-11 | 2023-11-17 | 青岛美迪康数字工程有限公司 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
| CN117079080B (zh) * | 2023-10-11 | 2024-01-30 | 青岛美迪康数字工程有限公司 | 冠脉cta智能分割模型的训练优化方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930421B (zh) | 一种用于cbct牙齿图像的分割方法 | |
| CN108765363B (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
| CN114820656A (zh) | 一种基于空间排序自监督学习的冠脉提取方法及系统 | |
| CN108805134B (zh) | 一种主动脉夹层分割模型的构建方法及应用 | |
| CN109146872B (zh) | 基于深度学习和光流法的心脏冠状动脉影像分割识别方法 | |
| EP2598034B1 (en) | Adaptive visualization for direct physician use | |
| CN109948522B (zh) | 一种基于深度神经网络的x光片手骨成熟度判读方法 | |
| CN110415230B (zh) | 一种基于深度学习的ct切片图像语义分割系统及方法 | |
| WO2019167883A1 (ja) | 機械学習装置および方法 | |
| CN108205806B (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
| US12079989B2 (en) | Identifying boundaries of lesions within image data | |
| CN107766874B (zh) | 一种超声容积生物学参数的测量方法及测量系统 | |
| US20200311485A1 (en) | Method and system for generating a centerline for an object, and computer readable medium | |
| CN111798458B (zh) | 一种基于不确定性引导的交互式医学图像分割方法 | |
| CN111462047A (zh) | 血管参数测量方法、装置、计算机设备和存储介质 | |
| CN110796670A (zh) | 一种夹层动脉分割方法及装置 | |
| CN111784653B (zh) | 基于形状约束的多尺度网络mri胰腺轮廓定位方法 | |
| CN112330686A (zh) | 肺部支气管的分割及标定方法 | |
| CN114897780A (zh) | 一种基于mip序列的肠系膜上动脉血管重建方法 | |
| CN110599444B (zh) | 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质 | |
| CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
| US20220383504A1 (en) | Probablistic segmentation | |
| CN108242056B (zh) | 一种基于调和场算法的三维牙齿网格数据的分割方法 | |
| Cheng et al. | Automatic centerline detection of small three-dimensional vessel structures | |
| CN115908418A (zh) | 一种主动脉ct图像中心线确定方法、系统、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 |