CN115511893A - 基于人工智能的下肢动脉血流管壁复合体自动分割方法 - Google Patents
基于人工智能的下肢动脉血流管壁复合体自动分割方法 Download PDFInfo
- Publication number
- CN115511893A CN115511893A CN202211304991.3A CN202211304991A CN115511893A CN 115511893 A CN115511893 A CN 115511893A CN 202211304991 A CN202211304991 A CN 202211304991A CN 115511893 A CN115511893 A CN 115511893A
- Authority
- CN
- China
- Prior art keywords
- lower limb
- file
- cta
- artificial intelligence
- array
- 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
- 210000003141 lower extremity Anatomy 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000008321 arterial blood flow Effects 0.000 title description 5
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 210000001367 artery Anatomy 0.000 claims abstract description 14
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 12
- 230000017531 blood circulation Effects 0.000 claims description 9
- 239000002872 contrast media Substances 0.000 claims description 9
- 210000000988 bone and bone Anatomy 0.000 claims description 8
- 239000007943 implant Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 2
- 230000002792 vascular Effects 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 238000001356 surgical procedure Methods 0.000 abstract description 3
- 238000002560 therapeutic procedure Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 229940079593 drug Drugs 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010968 computed tomography angiography Methods 0.000 description 27
- 230000003902 lesion Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 208000004434 Calcinosis Diseases 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 200000000007 Arterial disease Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 210000000702 aorta abdominal Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000028922 artery disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，属于生物医药技术领域。包括对原始下肢CTA输出文件进行体素插值计算处理，再进行矩阵裁剪运算，得到用于训练的本底图像文件；进行人工标注得到标签文件；构建深度学习模型，获得人工智能预测模型，将任意CTA本底图像输入模型预测每一个体素的所属类别；将获取的CTA本底图像文件中的仿射坐标系信息，与预测图数组进行融合，获得具有空间度量单位的语义分割图像，叠加至CTA本底图像上，获得最终的自动化分割结果。通过本发明可以去除明显的误分割区域，提升图像分割效果；对下肢血管进行更精准地分割，提高下肢动脉开放手术和介入治疗的效率和精度。
Description
技术领域
本发明涉及一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，属于生物医药技术领域。
背景技术
下肢计算机断层扫描血管成像(以下简称下肢CTA)是目前较广泛用于评估下肢动脉疾病的非侵入性检测方法。经计算机软件对其后处理后，可显示下肢动脉的三维重建、最大密度投影和多平面重建等。理论上，其对从肾下腹主动脉至下肢动脉病变可进行较为精确的定性和定位诊断，辅助开放手术和腔内介入治疗的规划。目前，CTA影像的后处理中在以下方面仍存在缺陷：1)血管分割自动化程度较低。由于下肢动脉与骨骼之间解剖关系临近，侧枝动脉的对比剂强度较低，在使用阈值分割、区域生长等方法后，仍需要技术操作人员后处理时进行费时费力的手动修补和校正，往往效率低下且十分依赖经验，人力成本较高；2)下肢动脉管壁病变性质复杂，包括钙化、内膜增生、血栓以及混合性病变。传统的CTA后处理难以分辨这些复杂的情况，而病变的性质直接影响了手术和介入治疗方法的决策。因此，以上问题导致下肢CTA的影像诊断准确度欠佳，难以满足血管外科医师进行快速术前规划的需求。本技术领域亟需获得一种可对下肢动脉血流管壁复合体进行自动分割的方法。能够快速准确地分割下肢CTA中血流对比剂和管壁病变的结构轮廓，分辨管壁病变性质，提高基于图像分割结果的重建模型的信息丰度；减少手动后处理中的主观误差和难以重复性，提高下肢动脉病变的定位和定位诊断的效率和准确度。从而有助于外科医师通过下肢CTA进行快速的个体化术前规划。
发明内容
本发明的目的是为解决如何能够快速准确地分割下肢CTA中血流对比剂和管壁病变的结构轮廓，分辨管壁病变性质，提高基于图像分割结果的重建模型的信息丰度；减少手动后处理中的主观误差和难以重复性，提高下肢动脉病变的定位和定位诊断的效率和准确度的技术问题。
为解决上述技术问题，本发明提供一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，包括以下步骤：
步骤1：获取原始下肢CTA输出文件进行体素插值计算处理，以增加其空间分辨率；
步骤2：对步骤1中插值计算后的文件进行矩阵裁剪运算，得到用于训练的本底图像文件；
步骤3：制作标签文件；基于步骤2处理后的图像进行人工标注得到标签文件；
步骤4：将步骤2的本底图像文件和步骤3的标签文件一一对应，获取相应的3维数组，划分为训练集和测试集；
步骤5：构建深度学习模型，采用3D-Unet作为模型架构；
步骤6：训练网络以获得优化参数；
步骤7：将步骤6获得的优化参数加载至设计的3D-Unet架构中，获得人工智能预测模型，将任意CTA本底图像输入模型后输出多通道特征图数组，转换成单一预测图数组，即预测每一个体素的所属类别；
步骤8：获取CTA本底图像文件中的仿射坐标系信息，与步骤7得出的预测图数组进行融合，获得具有空间度量单位的语义分割图像；
步骤9：将步骤8的语义分割图像叠加至CTA本底图像上，即可获得最终的自动化分割结果。
优选地，上述步骤3中标签文件的标签名称包括标签1：对比剂；标签2：钙化灶；标签3：管腔内低密度物质；标签4：血管内植入物；标签5：骨骼。
优选地，上述步骤5中构建深度学习模型，包括以下步骤：
步骤5.1：构建双卷积层函数，定义输入通道数、输出通道数和3D卷积核大小，对三维数组进行连续两次卷积运算操作，增加通道数，并依次进行归一化和激活函数操作；
步骤5.2：构建下采样函数，采用最大池化法对特征图进行降维，定义输入通道和输出通道数；
步骤5.3：构建上采样函数，采用转置卷积法放大特征图的维度，定义输入通道和输出通道数；
步骤5.4：构建特征图拼接函数，将相同大小的特征图在通道维度上进行拼接；
步骤5.5：构建输出函数，将特征图进行卷积操作后输出预测概率图；
步骤5.6：将步骤5.1至5.5组合成3D-Unet模型架构，其中步骤5.1和步骤5.2组成编码器模块，步骤5.3为解码器模块。
优选地，上述步骤6中训练网络以获得优化参数，包括以下步骤：
步骤6.1：定义3D-Unet网络的损失函数，优选Dice loss或Focal loss；
步骤6.2：定义优化器和学习率，优选Adam优化器；
步骤6.3：将上述步骤4中训练集本底图像三维数组输入3D-Unet网络，输出多通道特征图数组；
步骤6.4：将上述步骤4中训练集标签文件三维数组使用one-hot编码转换为多通道数组；
步骤6.5：将步骤6.3中的输出多通道特征图数组和步骤6.4的标签多通道数组进行损失计算，依据步骤6.1的公式，得出损失值；
步骤6.6：利用反向转播算法基于步骤6.2的优化器进行卷积核参数的更新，从而完成一轮训练；
步骤6.7：使用卷积核参数和3D-Unet网络架构得到测试集的损失值；反复执行步骤6.3至步骤6.7，进行反复多轮训练，测试集的损失值下降至最低点时，获得优化的卷积核参数。
优选地，上述步骤7中转换成单一预测图数组预测每一个体素的所属类别是根据one-hot编码。
本发明提供根据上述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法构建的系统，所述系统包括执行上述方法的程序。
本发明提供一种存储装置，所述存储介质存储有多条指令，所述指令执行上述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法中的步骤。
相比现有技术，本发明具有如下有益效果：
本发明相比于目前已有的图像处理方法，1)可以去除明显的误分割区域(特别是骨骼)，提升图像分割效果；2)对下肢血管进行更精准地分割，识别对比剂、钙化灶、管腔内低密度影和侧枝动脉；分割骨骼作为参照，为之后的三维重建和多平面重建的建立提供质量更高的图像数据，提高下肢动脉开放手术和介入治疗的效率和精度。
附图说明
图1本发明方法流程图；
图2为采用3D-Unet作为模型架构构建深度学习语义分割模型图。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下：
本发明提供一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，包括以下步骤：
步骤1：获取原始下肢CTA输出文件进行体素插值计算处理，以增加其空间分辨率；
步骤2：对步骤1中插值计算后的文件进行矩阵裁剪运算，得到用于训练的本底图像文件；
步骤3：制作标签文件；基于步骤2处理后的图像进行人工标注得到标签文件；
步骤4：将步骤2的本底图像文件和步骤3的标签文件一一对应，获取相应的3维数组，划分为训练集和测试集；
步骤5：构建深度学习模型，采用3D-Unet作为模型架构；
步骤6：训练网络以获得优化参数；
步骤7：将步骤6获得的优化参数加载至设计的3D-Unet架构中，获得人工智能预测模型，将任意CTA本底图像输入模型后输出多通道特征图数组，转换成单一预测图数组，即预测每一个体素的所属类别；
步骤8：获取CTA本底图像文件中的仿射坐标系信息，与步骤7得出的预测图数组进行融合，获得具有空间度量单位的语义分割图像；
步骤9：将步骤8的语义分割图像叠加至CTA本底图像上，即可获得最终的自动化分割结果。
上述步骤3中标签文件的标签名称包括标签1：对比剂；标签2：钙化灶；标签3：管腔内低密度物质；标签4：血管内植入物；标签5：骨骼。
上述步骤5中构建深度学习模型，包括以下步骤：
步骤5.1：构建双卷积层函数，定义输入通道数、输出通道数和3D卷积核大小，对三维数组进行连续两次卷积运算操作，增加通道数，并依次进行归一化和激活函数操作；
步骤5.2：构建下采样函数，采用最大池化法对特征图进行降维，定义输入通道和输出通道数；
步骤5.3：构建上采样函数，采用转置卷积法放大特征图的维度，定义输入通道和输出通道数；
步骤5.4：构建特征图拼接函数，将相同大小的特征图在通道维度上进行拼接；
步骤5.5：构建输出函数，将特征图进行卷积操作后输出预测概率图；
步骤5.6：将步骤5.1至5.5组合成3D-Unet模型架构，其中步骤5.1和步骤5.2组成编码器模块，步骤5.3为解码器模块。
上述步骤6中训练网络以获得优化参数，包括以下步骤：
步骤6.1：定义3D-Unet网络的损失函数，优选Dice loss或Focal loss；
步骤6.2：定义优化器和学习率，优选Adam优化器；
步骤6.3：将上述步骤4中训练集本底图像三维数组输入3D-Unet网络，输出多通道特征图数组；
步骤6.4：将上述步骤4中训练集标签文件三维数组使用one-hot编码转换为多通道数组；
步骤6.5：将步骤6.3中的输出多通道特征图数组和步骤6.4的标签多通道数组进行损失计算，依据步骤6.1公式，得出损失值；
步骤6.6：利用反向转播算法基于步骤6.2的优化器进行卷积核参数的更新，从而完成一轮训练；
步骤6.7：使用卷积核参数和3D-Unet网络架构得到测试集的损失值；反复执行步骤6.3至步骤6.7，进行反复多轮训练，测试集的损失值下降至最低点时，获得优化的卷积核参数。
上述步骤7中转换成单一预测图数组预测每一个体素的所属类别是根据one-hot编码。
本发明提供根据上述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法构建的系统，所述系统包括执行上述方法的程序。
本发明提供一种存储装置，所述存储介质存储有多条指令，所述指令执行上述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法中的步骤。
下肢CTA有以下特点：
1)所含潜在的病灶信息丰富，但反映的病灶体素较少；
2)目标血管区域小，骨骼肌肉的背景大，造成前景和背景极度不平衡；
3)血管(及其钙化灶)与骨骼关系临近，分割较为困难。
针对上述问题1，通过三维插值计算法增加CTA图像整体分辨率，从而大大增加血流和管壁的可获得信息；针对上述问题2和3，使用裁剪计算法减少无关背景，并且使用Diceloss损失函数可缓解前景和背景不平衡问题，使用3D-Unet深度学习网络架构可以在有限的样本中获得较精确的小体积目标语义分割；针对问题3，同时为骨骼、血管和钙化灶人工标注，尽可能使深度学习从形态上识别二者，避免CT值相似以及解剖关系临近造成的错误分割。
实施例
本发明提供一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，包括以下步骤：
步骤1：获取原始下肢CTA输出文件(DICOM格式)，其维度为512×512×1024,对其进行体素插值计算(B-Spline插值法)处理，获得更新后的数组(1024×1024×2048)；
步骤2：对步骤1中的数组进行裁剪运算，获取第一维度255-767,第二维255-767,第三维1-2048的体素，更新为新的数组，维度为512×512×2048。将数组和放射坐标系融合，得到NiFTI格式文件；
步骤3：制作标签文件：基于步骤2处理后的文件进行人工标注得到标签文件(NiFTI格式)，标签名称如下：
标签1：对比剂
标签2：钙化灶
标签3：管腔内低密度物质
标签4：血管内植入物
标签5：骨骼
步骤4：将步骤2的本底图像文件和步骤3的标签文件一一对应，获取相应的3维数组，按照层数和比例(4：1)划分为训练集和测试集；
步骤5：构建深度学习语义分割模型，采用3D-Unet作为模型架构为例(附图2)：
步骤5.1：构建双卷积层函数，定义输入通道数(＝1)、输出通道数(n＝24)和3D卷积核大小＝3×3×3，对三维数组进行连续两次卷积运算操作，增加至n通道数，并依次进行归一化(Group normalization法)和ReLU激活函数操作，得到特征图；
步骤5.2：构建下采样函数，采用最大池化法(Max pooling)对步骤5.1特征图进行2倍降维，维度减半；
步骤5.3：构建上采样函数，采用转置卷积法放大2倍特征图的维度；
步骤5.4：将相同大小的特征图在通道维度上进行拼接；
步骤5.5：构建输出函数，将特征图进行卷积操作(卷积核大小＝1×1×1)后输出预测概率图，输出通道＝5；
步骤5.6：将步骤5.1至5.5组合成3D-Unet模型架构，其中步骤5.1和步骤5.2组成编码器模块，编码3次，步骤5.3为解码器模块，解码3次；
步骤6：训练网络以获得优化参数
步骤6.1：定义3D-Unet网络的损失函数Dice loss，具体公式如下：
其中，代表第i个体素的标签值，代表第i个体素的预测概率值，n为总体素个数；
步骤6.2：定义优化器和学习率，优选Adam优化器，设置初始学习率＝0.01；
步骤6.3：将步骤4中训练集本底图像三维数组，分批次输入3D-Unet网络，每批次层数为16，输入图像数组维度＝512×512×16，通道数＝1；输出图像数组维度＝512×512×16，通道数＝5；
步骤6.4：将步骤4中训练集标签文件三维数组使用one-hot编码转换为多通道数组。
步骤6.5：将步骤6.3中的输出多通道特征图数组和步骤6.4的标签多通道数组进行损失计算，依据步骤6.1公式，得出损失值。
步骤6.6：利用反向转播算法基于步骤6.2的优化器进行卷积核参数的更新，从而完成一轮训练；
步骤6.7：使用卷积核参数和3D-Unet网络架构得到测试集的Dice loss。
反复执行步骤6.3至6.7，进行反复训练，使用测试集的损失值下降至最低点时的训练轮数，对所有样本进行训练，获得优化的卷积核参数。
步骤7：将步骤6获得的优化参数加载至设计的3D-Unet架构中，获得人工智能预测模型，将任意CTA本底图像输入模型后输出多通道特征图数组，根据one-hot编码逆转换成单一预测图数组，即预测每一个体素的所属类别；
步骤8，获取CTA本底图像文件中的仿射坐标系信息，与步骤7得出的预测图数组进行融合，获得具有空间度量单位的NiFTI文件格式；
步骤9，将步骤8的语义分割图像叠加至下肢CTA本底图像上，即可获得最终的自动化分割结果。
本发明的使用：
预期效果：输入任意下肢CTA格式文件，执行以下步骤：
1)对自动插值计算和裁剪计算，获得清晰的CTA图像；
2)加载人工智能模型，计算后获得对比剂、钙化灶、管腔内低密度物质、血管内植入物、骨骼和背景的语义分割图像；
3)将语义分割图像进行叠加，获得精准的三维重建图像。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。
Claims (7)
1.一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，其特征在于，包括以下步骤：
步骤1：获取原始下肢CTA输出文件进行体素插值计算处理，以增加其空间分辨率；
步骤2：对步骤1中插值计算后的文件进行矩阵裁剪运算，得到用于训练的本底图像文件；
步骤3：制作标签文件；基于步骤2处理后的图像进行人工标注得到标签文件；
步骤4：将步骤2的本底图像文件和步骤3的标签文件一一对应，获取相应的3维数组，划分为训练集和测试集；
步骤5：构建深度学习模型，采用3D-Unet作为模型架构；
步骤6：训练网络以获得优化参数；
步骤7：将步骤6获得的优化参数加载至设计的3D-Unet架构中，获得人工智能预测模型，将任意CTA本底图像输入模型后输出多通道特征图数组，转换成单一预测图数组，即预测每一个体素的所属类别；
步骤8：获取CTA本底图像文件中的仿射坐标系信息，与步骤7得出的预测图数组进行融合，获得具有空间度量单位的语义分割图像；
步骤9：将步骤8的语义分割图像叠加至CTA本底图像上，即可获得最终的自动化分割结果。
2.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，其特征在于，所述步骤3中标签文件的标签名称包括标签1：对比剂；标签2：钙化灶；标签3：管腔内低密度物质；标签4：血管内植入物；标签5：骨骼。
3.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，其特征在于，所述步骤5中构建深度学习模型，包括以下步骤：
步骤5.1：构建双卷积层函数，定义输入通道数、输出通道数和3D卷积核大小，对三维数组进行连续两次卷积运算操作，增加通道数，并依次进行归一化和激活函数操作；
步骤5.2：构建下采样函数，采用最大池化法对特征图进行降维，定义输入通道和输出通道数；
步骤5.3：构建上采样函数，采用转置卷积法放大特征图的维度，定义输入通道和输出通道数；
步骤5.4：构建特征图拼接函数，将相同大小的特征图在通道维度上进行拼接；
步骤5.5：构建输出函数，将特征图进行卷积操作后输出预测概率图；
步骤5.6：将步骤5.1至5.5组合成3D-Unet模型架构，其中步骤5.1和步骤5.2组成编码器模块，步骤5.3为解码器模块。
4.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，其特征在于，所述步骤6中训练网络以获得优化参数，包括以下步骤：
步骤6.1：定义3D-Unet网络的损失函数，优选Dice loss或Focal loss；
步骤6.2：定义优化器和学习率，优选Adam优化器；
步骤6.3：将所述步骤4中训练集本底图像三维数组输入3D-Unet网络，输出多通道特征图数组；
步骤6.4：将所述步骤4中训练集标签文件三维数组使用one-hot编码转换为多通道数组；
步骤6.5：将步骤6.3中的输出多通道特征图数组和步骤6.4的标签多通道数组进行损失计算，依据步骤6.1公式，得出损失值；
步骤6.6：利用反向转播算法基于步骤6.2的优化器进行卷积核参数的更新，从而完成一轮训练；
步骤6.7：使用卷积核参数和3D-Unet网络架构得到测试集的损失值；反复执行步骤6.3至步骤6.7，进行反复多轮训练，测试集的损失值下降至最低点时，获得优化的卷积核参数。
5.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，其特征在于，所述步骤7中转换成单一预测图数组预测每一个体素的所属类别是根据one-hot编码。
6.根据权利要求1至5所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法构建的系统，其特征在于，所述系统包括执行权利要求1至5所述方法的程序。
7.一种存储装置，其特征在于，所述存储介质存储有多条指令，所述指令执行权利要求1至5中任一项所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211304991.3A CN115511893A (zh) | 2022-10-24 | 2022-10-24 | 基于人工智能的下肢动脉血流管壁复合体自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211304991.3A CN115511893A (zh) | 2022-10-24 | 2022-10-24 | 基于人工智能的下肢动脉血流管壁复合体自动分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511893A true CN115511893A (zh) | 2022-12-23 |
Family
ID=84512010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211304991.3A Pending CN115511893A (zh) | 2022-10-24 | 2022-10-24 | 基于人工智能的下肢动脉血流管壁复合体自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511893A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116256720A (zh) * | 2023-05-09 | 2023-06-13 | 武汉大学 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
-
2022
- 2022-10-24 CN CN202211304991.3A patent/CN115511893A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116256720A (zh) * | 2023-05-09 | 2023-06-13 | 武汉大学 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
| CN116256720B (zh) * | 2023-05-09 | 2023-10-13 | 武汉大学 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN112489047B (zh) | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 | |
| CN110070540B (zh) | 图像生成方法、装置、计算机设备及存储介质 | |
| US20220284584A1 (en) | Computerised tomography image processing | |
| CN114240962B (zh) | 一种基于深度学习的ct图像肝脏肿瘤区域自动分割方法 | |
| CN113674279B (zh) | 基于深度学习的冠脉cta影像的处理方法及装置 | |
| JP2016511649A (ja) | 血流予備量比の算出 | |
| US20220284583A1 (en) | Computerised tomography image processing | |
| CN109801268B (zh) | 一种基于三维卷积神经网络的ct造影图像肾动脉分割方法 | |
| Trzupek et al. | Intelligent image content semantic description for cardiac 3D visualisations | |
| CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
| CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
| CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| CN113192069A (zh) | 三维断层扫描图像中树状结构的语义分割方法和装置 | |
| CN116630334B (zh) | 用于多分段血管实时自动分割方法、装置、设备及介质 | |
| CN115511893A (zh) | 基于人工智能的下肢动脉血流管壁复合体自动分割方法 | |
| CN113744215B (zh) | 三维断层扫描图像中树状管腔结构中心线的提取方法和装置 | |
| CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
| CN113674291A (zh) | 一种全类型主动脉夹层真假腔图像分割方法及系统 | |
| Masood et al. | Multi-scale swin transformer enabled automatic detection and segmentation of lung metastases using CT images | |
| CN114240846A (zh) | 降低医学图像病灶分割结果假阳率的系统及方法 | |
| CN114549396A (zh) | 一种基于图神经网络的脊椎交互式与自动分割细化方法 | |
| CN113744217A (zh) | 一种面向ct影像的冠状动脉智能辅助分析方法及系统 | |
| Trzupek | Linguistic approach in intelligent image content analysis of heart vessel structures | |
| Trzupek | Semantic interpretation of heart vessel structures based on graph grammars |
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 |