CN115588012B - 一种盆骨动脉血管分割方法、系统、存储介质及终端 - Google Patents

一种盆骨动脉血管分割方法、系统、存储介质及终端 Download PDF

Info

Publication number
CN115588012B
CN115588012B CN202211592570.5A CN202211592570A CN115588012B CN 115588012 B CN115588012 B CN 115588012B CN 202211592570 A CN202211592570 A CN 202211592570A CN 115588012 B CN115588012 B CN 115588012B
Authority
CN
China
Prior art keywords
segmentation
blood vessel
vessel
network
multitask
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
CN202211592570.5A
Other languages
English (en)
Other versions
CN115588012A (zh
Inventor
张海仙
崔俊杰
谢敏
张懿
谌祖港
黄梁可汗
李欣洋
尚文一
尹腾
杨雨奇
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202211592570.5A priority Critical patent/CN115588012B/zh
Publication of CN115588012A publication Critical patent/CN115588012A/zh
Application granted granted Critical
Publication of CN115588012B publication Critical patent/CN115588012B/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种盆骨动脉血管分割方法、系统、存储介质及终端，涉及图像分割技术领域，其目的在于解决现有技术中存在的不能对盆腔血管树进行有效分割以及血管分割的完整性和连续性较差的技术问题。其通过构建多任务拓扑感知全卷积网络模型，模型中采用基于解码器的多任务学习架构，让血管分割任务与中心线分割任务共享一个主干分割网络。通过在普通的单任务卷积分割网络的基础上引入中心线分支，利用中心线分支任务，引入血管树拓扑信息，让网络学习血管树的整体结构，缓解主干分支血管的样本不平衡问题；利用对象自身结构层次特性、血管自身几何特点使网络能够产生准确的、可靠、细节更丰富、连续性更强的目标分割结果，达到更好的分割完整性。

Description

一种盆骨动脉血管分割方法、系统、存储介质及终端
技术领域
本发明人工智能医学中的图像分割技术领域，涉及一种盆骨动脉血管分割方法、系统、存储介质及终端，更具体的是涉及一种基于多任务的拓扑感知盆骨动脉血管分割方法、系统、存储介质及终端。
背景技术
现在对于血管树的提取仍然依靠专业医生手动进行分割，虽然现在已经有很多计算机断层扫描（Computed Tomography, CT ) 技术和血管造影术可以显示血管边界和血管分布等信息，如增强CT (Contrast Enhance Computer Tomography, CECT)、核磁共振(Magnetic Resonance Angiogram, MRA)，但这些方式都只能增强血管区域与背景区域的对比度，并不能够实现自动、准确的血管分割。
目前，基于深度学习方法的血管树分割研究可以划分为2D血管分割和3D血管分割两类。通常，2D血管分割（如眼底血管分割）采用整体化分割框架进行计算，即特征提取与像素分割采用一个网络完成。由于训练模型快速，试错方便，针对训练数据样本少、血管数据特征提取困难、血管标签存在噪声等问题，各种网络模型结构设计和训练策略被不断提出，以提高眼底血管分割精度。从最初的基于Unet结构的分割方法，到基于改良Unet结构的分割方法，再到基于GANs的分割方法，基于迭代式网络结构的分割方法，网络设计从简单到复杂，向着模型深度更深的方向不断发展。在训练策略上，也从单一模型训练推理，发展到多模型投票、多模型集成训练推理。这些方法都在各种程度上，促进了2D血管分割的发展。
3D血管分割研究则主要围绕具体临床需求展开，主要分割对象包括肺血管、肝血管、头颈血管、脑血管等。由于人体各部位情况差异较大，所以大多数研究都是只针对某一部分。总体来说，早期的3D血管分割较多采用两步分割框架，将血管分割分为特征学习和血管分割两步。一类典型的方法是利用深度模型或数据方法进行中间特征提取，该中间特征也被称作概率图，然后用阈值法对概率图做处理。随着硬件升级，计算机算力提升，3D血管分割也开始采用端到端的整体化分割框架，流行的主干分割网络有3D Unet、Vnet、ResNet、DenseNet等。但由于人体血管结构复杂、走形变化多、形状变异度高，数据图像中存在大量如骨头、脏器组织等的噪声，分割对象前景占比小、人工标签一致性较差等多种问题，高效、精准的3D血管分割仍然比较困难，通常需要针对部位的重点问题提出特殊解决方法。比如头颈血管分割，由于目标血管周围的头骨干扰过大且血管形状变化大、在人体内跨度范围，Fan等人采用系列工作流，将多个网络串联，用单个网络分别进行组织噪声去除、目标血管分割，连接生成预测（保障血管完整性），以较高的计算消耗获取更好的分割精度。
申请号为202210378707的发明专利申请就公开了一种可适用于多模态的脑血管分割算法，其包括获取真实患者的临床病例并进行数据预处理，分别处理得到三个视角的切片数据，将其进行二值化处理及感兴趣区域分割，得到粗提取的脑血管二值图像，通过算法处理得到粗提取脑血管边缘，求取为粗提取脑血管中心线上的点，将预处理后的MRA、CTA数据与粗提取中心线进行空间对齐，将三维粗提取中心线注册到对应体积的脑部dicom数据上，并使用多图像作为网络模型的输入，构建可适用于多模态的脑血管分割模型，对得到的分割结果进行三维重建，具有提高血管分割精度和准确率、放置血管断裂、增强网络模型鲁棒性和复用性的优点。该分割算法通过将传统分割算法和基于深度学习的分割算法进行融合，将粗提取脑血管中心线嵌入3D-UNet网络预处理与训练模块中，提高了血管分割的准确率与精确率，从根本上解决医疗影响重建过程中脑血管由于细小和分支多产生的血管断裂问题。
申请号为202111660913的发明专利申请还公开了一种基于双结构约束神经网络的脑血管分割方法及存储介质，该方法首先对MRA图像数据进行数据预处理，将预处理后的MRA图像数据划分为训练集和测试集，其次构建脑血管双结构约束神经网络，采用训练集对脑血管双结构约束神经网络进行训练，获得训练完成的脑血管双结构约束神经网络，最后将测试集输入训练完成的脑血管双结构约束神经网络，获得分割完成的脑血管结构。其中，在进行数据预处理时，将分辨率低于阈值的MRA图像利用包含脑血管中心线与半径信息的血管信息文件进行稀疏标记。本方法通过网络结构与归纳偏置两个层面对分割出的脑血管进行双结构约束，分割出的图像抗背景干扰能力强，细小处的脑血管连通性好，分割出的图像精度更高，以辅助后续的病理图像诊断。
与上述两篇文献一样，现有的基于卷积神经网络的单任务的分割模型在训练过程中进行逐像素、体素分类，更加关注局部的血管特征，没有关注血管整体的结构，没有考虑血管本身的连续、网状结构，导致无法得到很好的分割完整性和连续性。此外，上述的脑血管与本申请中的盆腔血管还存在显著性差异，主要体现在：盆腔血管树走形复杂、脏支繁多，且处于脏器丰富的腹部位置，手动分割完整连续的盆腔血管树非常复杂，逐帧标注需要医生耗费大量的时间和精力，特别是如盆腔血管树中臀下动脉分支与回旋髂深动脉非常细小，难以识别追踪。
发明内容
本发明的目的在于：为了解决现有技术中存在的不能对盆腔血管树进行有效分割以及血管分割的完整性和连续性较差的技术问题，本发明提供一种盆骨动脉血管分割方法、系统、存储介质及终端，通过将中心线任务引入到分割网络中，为网络提供更多血管树拓扑结构信息，可快速提取腹部复杂背景下的盆骨血管树信息，得到血管树分割结果的完整性和连续性更好。
本发明为了实现上述目的具体采用以下技术方案：
一种盆骨动脉血管分割方法包括以下步骤：
步骤S1，获取样本数据
获取样本影像数据以及对应的血管标签数据，并利用血管标签数据提取样本影像数据对应的血管中心线；
步骤S2，搭建多任务拓扑感知全卷积网络模型
搭建多任务拓扑感知全卷积网络模型，多任务拓扑感知全卷积网络模型包括特征提取主干网络、多任务分支网络，多任务分支网络包括血管分割分类器和中心线分割分类器，特征提取主干网络的输出分别作为血管分割分类器、中心线分割分类器的输入，血管分割分类器输出血管分割结果，中心线分割分类器输出；
步骤S3，训练多任务拓扑感知全卷积网络模型
利用步骤S1中获取的样本影像数据以及对应的血管标签数据输入多任务拓扑感知全卷积网络模型进行血管分割训练；
利用步骤S1中获取的样本影像数据以及提取的血管中心线输入多任务拓扑感知全卷积网络模型进行中心线分割训练；
步骤S4，实时分割
将实时获取的盆骨动脉CT影像数据输入多任务拓扑感知全卷积网络模型，输出血管分割结果与中心线分割结果。
进一步地，步骤S1中，在提取样本影像数据的中心线时，具体提取步骤为：
步骤S11，根据血管标签数据，沿血管边界提取抽样点，得到抽样点集，其中抽样点的提取密度由血管局部的曲率决定；
步骤S12，对步骤S11得到的抽样点集进行三角剖分，并根据血管分叉点判断三角形区域的归属类别，得到血管中心线。
进一步地，步骤S2中，特征提取主干网络包括卷积、最大池化、跳跃连接和上采样，卷积采用大小为3*3*3的卷积核进行卷积，最大池化为采用步长为2、大小为2*2的卷积核进行池化；跳跃连接为通过拼接的方式将同层编码器阶段的数据与编码器阶段的数据进行融合；上采样为采用图像插值的方式放大图像。
进一步地，步骤S2中，血管分割分类器、中心线分割分类器为两个各自独立的分类器，血管分割分类器、中心线分割分类器均包括两个卷积层，每个卷积层均包括批归一化和ReLu激活。
进一步地，步骤S3中，训练多任务拓扑感知全卷积网络模型时，整体损失函数L为：
其中，为血管分割损失函数，为中心线分割损失函数，为多任务优化惩罚项函数；
血管分割损失函数的具体计算方式为：
其中，为分割血管预测，为分割任务中真实的血管标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管时，=0，标签为血管时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
中心线分割损失函数的具体计算方式为：
其中，为分割血管中心线预测，为分割任务中提取的血管中心线标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管中心线时，=0，标签为血管中心线时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
多任务优化惩罚项函数的具体计算方式为：
其中，表示通过中心线分割损失函数计算出来的值，为通过血管分割损失函数计算出来的值。
一种盆骨动脉血管分割系统，包括：
样本数据获取模块，用于获取样本影像数据以及对应的血管标签数据，并利用血管标签数据提取样本影像数据对应的血管中心线；
多任务拓扑感知全卷积网络模型搭建模块，用于搭建多任务拓扑感知全卷积网络模型，多任务拓扑感知全卷积网络模型包括特征提取主干网络、多任务分支网络，多任务分支网络包括血管分割分类器和中心线分割分类器，特征提取主干网络的输出分别作为血管分割分类器、中心线分割分类器的输入，血管分割分类器输出血管分割结果，中心线分割分类器输出；
多任务拓扑感知全卷积网络模型训练模块，用于利用样本数据获取模块中获取的样本影像数据以及对应的血管标签数据输入多任务拓扑感知全卷积网络模型进行血管分割训练；
利用样本数据获取模块中获取的样本影像数据以及提取的血管中心线输入多任务拓扑感知全卷积网络模型进行中心线分割训练；
实时分割模块，用于将实时获取的盆骨动脉CT影像数据输入多任务拓扑感知全卷积网络模型，输出血管分割结果与中心线分割结果。
一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。
一种终端，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述方法的步骤。
本发明的有益效果如下：
1、现有的脑血管分割虽然也涉及到中心线信息，但是该中心线信息只是作为额外的附加信息输入到网络中去，是被动输入，是作为模型的外部辅助参考，并不能确保模型可以学习到这方面的特征；而本发明中，采用基于多任务学习的多任务拓扑感知全卷积网络模型，模型结构在原来普通的单任务卷积分割网络的基础上，引入中心线分支，利用中心线分支任务，引入血管树拓扑信息，在无需额外中心线标签的情况下，将血管的拓扑信息引入到网络，并让网络学习并预测血管树的整体结构，主动学习、主动寻找相关结构信息与特征，属于主动输出，同时利用中心线无体积差特点，缓解主干分支血管的样本不平衡问题；利用对象自身结构层次特性、血管自身几何特点使网络能够产生准确的、可靠、细节更丰富、连续性更强的目标分割结果，达到更好的分割完整性。
2、本发明中，采用基于任务进度控制的多任务优化惩罚项，让网络自动调节多任务学习平衡问题，保持在学习过程中的任务协调，促进多任务的任务共享，提高多任务学习效果，促进难任务的学习，增强了多任务分割网络的精度。
3、本发明中，对于已经完成训练的模型，可以快速准确检测，实现批量CT检测，可以实现无人值守批量操作，并且分割速度快速，速度可随机器设备升级拓展而得到提升和加速。得到的像素级标签数据简单处理后可以直接使用各类3D技术重建并进行3D显影，用更具体更细致的方式给予医生术前指导，给医生提供更多更丰富更立体的腹部信息使其可以更好地进行各类诊断
4、本发明中，采用直接对三维输入进行自动、快速地盆骨动脉血管树的分割，无需其他辅助信息，且效果准确，连通性佳。
附图说明
图1是本发明的流程示意图；
图2是本发明中多任务拓扑感知全卷积网络模型的结构示意图；
图3是本发明中提取血管中心线的流程示意图。
具体实施方式
实施例1
本实施例提供一种盆骨动脉血管分割方法，其通过搭建一个多任务拓扑感知全卷积网络模型，并对该网络模型进行训练，训练完成后的网络模型即可实现对盆骨动脉血管的自动分割。该分割方法包括以下步骤：
一种盆骨动脉血管分割方法，如图1所示，具体包括以下步骤：
步骤S1，获取样本数据
获取样本影像数据以及对应的血管标签数据，并利用血管标签数据提取样本影像数据对应的血管中心线。
该样本影像数据为盆骨CT影像数据，可直接从医院或医学管理系统中获得，且这些样本影像数据都经专业医生进行了血管标注，形成血管标签数据。
在收集到足够的样本影像数据后，需要对样本影像数据进行预处理，该预处理主要包括：
首先，对原始样本影像数据进行裁剪处理与归一化处理，由于原始样本影像数据中人体外部区域、以及不相关CT值对于目标的分割任务来说是冗余的，为了在保留完整腹部区域的前提下降低显存用量与加快训练与推断时间，原始样本影像数据将在预处理阶段按照标签的边缘分别裁剪掉20~100个像素不等，并根据已有的同时保留CT值在[0,1600]HU。例如：一例240*512*512的CT数据，依据标记标签有效位置切割后尺寸为150*300*200。同时由于此时数据仍然较大，无法直接放入训练，所以还需要将数据随机裁剪成合适训练大小，送入模型训练。并经上述裁剪处理后得到的原始样本影像数据归一化到[0,1]之间。
然后，对血管标签数据进行中心线提取及膨胀。在进行中心线提取操作，直接对血管标签数据中的血管进行处理，如图3所示，其主要包括：步骤S11，根据血管标签数据，沿血管边界提取抽样点，得到抽样点集，其中抽样点的提取密度由血管局部的曲率决定；如果当前区域的边界曲率较大，则提取（选择）出密集抽样点；如果当前区域的边界曲率较小，则提取（选择）出稀疏抽样点。步骤S12，对步骤S11得到的抽样点，形成抽样点集，并对抽样点集进行三角剖分，并根据血管分叉点判断三角形区域的归属类别；若当前点是分叉点，则直接连接分叉点中心线；若当前点不是分叉点，则直接连接普通中心点；最后得到血管中心线。
在进行三角剖分时，基本原理为：先计算点集P的包围盒，将包围盒的四个顶点加入P中得到P’。根据包围盒生成两个超三角形，构成初始三角剖分。由于只包含两个直角三角形，是一个Delaunay三角剖分（包围盒四个顶点的）。将点集P中的顶点逐一插入现有的三角剖分中，并进行如下调整：
1. 设插入的顶点v位于三角形t中，将v与三角形的三个顶点连接，使t分裂为3个三角形 。
2. 分别检查是否满足空圆性质，若不满足则进行翻转边操作，直到没有坏边为止。此时得到一个包含顶点v的新Delaunay三角剖分。
当最后一个顶点插入到三角剖分中，并且完成所有翻转边操作后，我们得到了点集P’的一个Delaunay三角剖分。现在删除第一步中加入的包围盒的四个顶点，并且去除所有与它们连接的三角形，则剩下的三角形就构成点集P的Delaunay三角剖分。
在得到到血管中心线后，由于血管中心线本身体积较小，容易出现由于前后景体素极度不均而导致分割效果变差的问题，所以此处又将血管中心线额外进行了膨胀操作，以扩大其体素占比。具体操作为：对于某个在（i,j）位置的像素，它的值会被设置为其周围2*2领域内中最大的值，依次膨胀亮点区域，缩小黑暗区域。
步骤S2，搭建多任务拓扑感知全卷积网络模型
由于深度学习分割，实质上为体素级分类，当分割对象存在结构上的数据不平衡情况，则很容易出现部分内容难以被分割的情况，如物体边缘难以分割。这里盆骨血管树本身存在多个分支，且分支血管细小变化大，主干分支存在较为严重的样本数量不平衡问题，所以很多细小的分支血管很难分割出来。为克服此问题，本实施例在多任务学习结构的基础上，引入中心线分割分支任务，在引入更多结构信息的同时，缓解样本数据不平衡带来的负面影响。即；采用基于解码器的多任务学习架构，让血管分割任务与中心线分割任务共享一个特征提取主干网络，但拥有各自独立的分类器。
即搭建如图2所示的多任务拓扑感知全卷积网络模型，多任务拓扑感知全卷积网络模型包括特征提取主干网络、多任务分支网络，多任务分支网络包括血管分割分类器和中心线分割分类器，特征提取主干网络的输出分别作为血管分割分类器、中心线分割分类器的输入，血管分割分类器输出血管分割结果，中心线分割分类器输出。
特征提取主干网络采用3D-Unet的3D全卷积神经网络，该网络能够快速地提取到数据中多尺度、多类型的特征，具备很强的学习能力。其包括卷积、最大池化、跳跃连接和上采样；卷积采用大小为3*3*3的卷积核进行卷积，以更好提取、融合数据特征；最大池化为采用步长为2、大小为2*2的卷积核进行池化，以减小图片尺寸，扩大卷积视野；跳跃连接为通过拼接的方式将同层编码器阶段的数据与编码器阶段的数据进行融合，补充信息；上采样为采用图像插值的方式放大图像，最终得到分割结果。
血管分割分类器、中心线分割分类器为两个各自独立的分类器，血管分割分类器、中心线分割分类器均包括两个卷积层，每个卷积层均包括批归一化和ReLu激活。
步骤S3，训练多任务拓扑感知全卷积网络模型
利用步骤S1中获取的样本影像数据以及对应的血管标签数据输入多任务拓扑感知全卷积网络模型进行血管分割训练；
利用步骤S1中获取的样本影像数据以及提取的血管中心线输入多任务拓扑感知全卷积网络模型进行中心线分割训练。
在训练多任务拓扑感知全卷积网络模型时，整体损失函数L为：
其中，为血管分割损失函数，为中心线分割损失函数，为多任务优化惩罚项函数；
血管分割损失函数的具体计算方式为：
其中，为分割血管预测，为分割任务中真实的血管标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管时，=0，标签为血管时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
中心线分割损失函数的具体计算方式为：
其中，为分割血管中心线预测，为分割任务中提取的血管中心线标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管中心线时，=0，标签为血管中心线时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
多任务优化惩罚项函数的具体计算方式为：
其中，表示通过中心线分割损失函数计算出来的值，为通过血管分割损失函数计算出来的值。
采用基于任务进度控制的多任务优化惩罚项，秉持着在训练阶段实时保证各任务间训练效果或者训练所处阶段相近，以避免出现某一方效果过于优于另一方的想法，此处利用损失惩罚项的方式，计算训练过程中各任务的学习得分情况，比较衡量两者得分差距，当两者差异过大时加大惩罚，以迫使网络在训练中自主平衡两个任务的差距。
由于模型的输入是三维的数据，为了减轻网络对显存的需求，训练优化算法采用Adam优化算法，初始学习率设置为0.001，权重衰减参数设置为。若单例误差连续经过20例数据的训练不下降后，学习率将乘以衰减系数0.8。由于每例输入数据的尺度大小都是不尽相同的。一次训练批次设置为1，学习迭代次数为100。网络训练采用反向传播算法同时使用损失误差学习分割任务。网络学习针对每个批次更新一次参数。每一级经过一次迭代学习之后，模型判断各级的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前级的当前模型，然后继续训练。若训练达到最大迭代次数或者总误差连续经过10迭代没有都下降，则训练停止。
步骤S4，实时分割
将实时获取的盆骨动脉CT影像数据输入多任务拓扑感知全卷积网络模型，输出血管分割结果与中心线分割结果。
若实时获取的盆骨动脉CT影像数据较大而无法直接全部放入时，需要按照预先模型训练时固定的数据块训练大小，将实时获取的盆骨动脉CT影像数据处理成小的数据库，依次放入模型，再将分割结果拼接成原始图像大小。
实施例2
本实施例提供一种盆骨动脉血管分割系统，该分割系统包括：
样本数据获取模块，用于获取样本影像数据以及对应的血管标签数据，并利用血管标签数据提取样本影像数据对应的血管中心线。
该样本影像数据为盆骨CT影像数据，可直接从医院或医学管理系统中获得，且这些样本影像数据都经专业医生进行了血管标注，形成血管标签数据。
在收集到足够的样本影像数据后，需要对样本影像数据进行预处理，该预处理主要包括：
首先，对原始样本影像数据进行裁剪处理与归一化处理，由于原始样本影像数据中人体外部区域、以及不相关CT值对于目标的分割任务来说是冗余的，为了在保留完整腹部区域的前提下降低显存用量与加快训练与推断时间，原始样本影像数据将在预处理阶段按照标签的边缘分别裁剪掉20~100个像素不等，并根据已有的同时保留CT值在[0,1600]HU。例如：一例240*512*512的CT数据，依据标记标签有效位置切割后尺寸为150*300*200。同时由于此时数据仍然较大，无法直接放入训练，所以还需要将数据随机裁剪成合适训练大小，送入模型训练。并经上述裁剪处理后得到的原始样本影像数据归一化到[0,1]之间。
然后，对血管标签数据进行中心线提取及膨胀。在进行中心线提取操作，直接对血管标签数据中的血管进行处理，如图3所示，其主要包括：步骤S11，根据血管标签数据，沿血管边界提取抽样点，得到抽样点集，其中抽样点的提取密度由血管局部的曲率决定；如果当前区域的边界曲率较大，则提取（选择）出密集抽样点；如果当前区域的边界曲率较小，则提取（选择）出稀疏抽样点。步骤S12，对步骤S11得到的抽样点，形成抽样点集，并对抽样点集进行三角剖分，并根据血管分叉点判断三角形区域的归属类别；若当前点是分叉点，则直接连接分叉点中心线；若当前点不是分叉点，则直接连接普通中心点；最后得到血管中心线。
在进行三角剖分时，基本原理为：先计算点集P的包围盒，将包围盒的四个顶点加入P中得到P’。根据包围盒生成两个超三角形，构成初始三角剖分。由于只包含两个直角三角形，是一个Delaunay三角剖分（包围盒四个顶点的）。将点集P中的顶点逐一插入现有的三角剖分中，并进行如下调整：
1. 设插入的顶点v位于三角形t中，将v与三角形的三个顶点连接，使t分裂为3个三角形 。
2. 分别检查是否满足空圆性质，若不满足则进行翻转边操作，直到没有坏边为止。此时得到一个包含顶点v的新Delaunay三角剖分。
当最后一个顶点插入到三角剖分中，并且完成所有翻转边操作后，我们得到了点集P’的一个Delaunay三角剖分。现在删除第一步中加入的包围盒的四个顶点，并且去除所有与它们连接的三角形，则剩下的三角形就构成点集P的Delaunay三角剖分。
在得到到血管中心线后，由于血管中心线本身体积较小，容易出现由于前后景体素极度不均而导致分割效果变差的问题，所以此处又将血管中心线额外进行了膨胀操作，以扩大其体素占比。具体操作为：对于某个在（i,j）位置的像素，它的值会被设置为其周围2*2领域内中最大的值，依次膨胀亮点区域，缩小黑暗区域。
由于深度学习分割，实质上为体素级分类，当分割对象存在结构上的数据不平衡情况，则很容易出现部分内容难以被分割的情况，如物体边缘难以分割。这里盆骨血管树本身存在多个分支，且分支血管细小变化大，主干分支存在较为严重的样本数量不平衡问题，所以很多细小的分支血管很难分割出来。为克服此问题，本实施例构建了多任务拓扑感知全卷积网络模型搭建模块，在多任务学习结构的基础上，引入中心线分割分支任务，在引入更多结构信息的同时，缓解样本数据不平衡带来的负面影响。即；采用基于解码器的多任务学习架构，让血管分割任务与中心线分割任务共享一个特征提取主干网络，但拥有各自独立的分类器。
多任务拓扑感知全卷积网络模型搭建模块，用于搭建如图2所示的多任务拓扑感知全卷积网络模型，多任务拓扑感知全卷积网络模型包括特征提取主干网络、多任务分支网络，多任务分支网络包括血管分割分类器和中心线分割分类器，特征提取主干网络的输出分别作为血管分割分类器、中心线分割分类器的输入，血管分割分类器输出血管分割结果，中心线分割分类器输出。
特征提取主干网络采用3D-Unet的3D全卷积神经网络，该网络能够快速地提取到数据中多尺度、多类型的特征，具备很强的学习能力。其包括卷积、最大池化、跳跃连接和上采样；卷积采用大小为3*3*3的卷积核进行卷积，以更好提取、融合数据特征；最大池化为采用步长为2、大小为2*2的卷积核进行池化，以减小图片尺寸，扩大卷积视野；跳跃连接为通过拼接的方式将同层编码器阶段的数据与编码器阶段的数据进行融合，补充信息；上采样为采用图像插值的方式放大图像，最终得到分割结果。
血管分割分类器、中心线分割分类器为两个各自独立的分类器，血管分割分类器、中心线分割分类器均包括两个卷积层，每个卷积层均包括批归一化和ReLu激活。
多任务拓扑感知全卷积网络模型训练模块，用于利用样本数据获取模块中获取的样本影像数据以及对应的血管标签数据输入多任务拓扑感知全卷积网络模型进行血管分割训练；利用样本数据获取模块中获取的样本影像数据以及提取的血管中心线输入多任务拓扑感知全卷积网络模型进行中心线分割训练。
在训练多任务拓扑感知全卷积网络模型时，整体损失函数L为：
其中，为血管分割损失函数，为中心线分割损失函数，为多任务优化惩罚项函数；
血管分割损失函数的具体计算方式为：
其中，为分割血管预测，为分割任务中真实的血管标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管时，=0，标签为血管时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
中心线分割损失函数的具体计算方式为：
其中，为分割血管中心线预测，为分割任务中提取的血管中心线标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管中心线时，=0，标签为血管中心线时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
多任务优化惩罚项函数的具体计算方式为：
其中，表示通过中心线分割损失函数计算出来的值，为通过血管分割损失函数计算出来的值。
采用基于任务进度控制的多任务优化惩罚项，秉持着在训练阶段实时保证各任务间训练效果或者训练所处阶段相近，以避免出现某一方效果过于优于另一方的想法，此处利用损失惩罚项的方式，计算训练过程中各任务的学习得分情况，比较衡量两者得分差距，当两者差异过大时加大惩罚，以迫使网络在训练中自主平衡两个任务的差距。
由于模型的输入是三维的数据，为了减轻网络对显存的需求，训练优化算法采用Adam优化算法，初始学习率设置为0.001，权重衰减参数设置为。若单例误差连续经过20例数据的训练不下降后，学习率将乘以衰减系数0.8。由于每例输入数据的尺度大小都是不尽相同的。一次训练批次设置为1，学习迭代次数为100。网络训练采用反向传播算法同时使用损失误差学习分割任务。网络学习针对每个批次更新一次参数。每一级经过一次迭代学习之后，模型判断各级的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前级的当前模型，然后继续训练。若训练达到最大迭代次数或者总误差连续经过10迭代没有都下降，则训练停止。
实时分割模块，用于将实时获取的盆骨动脉CT影像数据输入多任务拓扑感知全卷积网络模型，输出血管分割结果与中心线分割结果。
若实时获取的盆骨动脉CT影像数据较大而无法直接全部放入时，需要按照预先模型训练时固定的数据块训练大小，将实时获取的盆骨动脉CT影像数据处理成小的数据库，依次放入模型，再将分割结果拼接成原始图像大小。
实施例3
本实施例提供一种存储介质，该存储介质为计算机可读存储介质，该存储介质中存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述盆骨动脉血管分割方法的步骤。
其中，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的盆骨动脉血管分割方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器或者网络设备等)执行本申请实施例所述盆骨动脉血管分割方法。
实施例4
本实施例提供一种终端，该终端可以是计算机设备，该终端包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述盆骨动脉血管分割方法的步骤。
其中，所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器可以是所述计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，所述存储器也可以是所述计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，所述存储器还可以既包括所述计算机设备的内部存储单元也包括其外部存储设备。本实施例中，所述存储器常用于存储安装于所述计算机设备的操作系统和各类应用软件，例如所述盆骨动脉血管分割方法的程序代码等。此外，所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制所述计算机设备的总体操作。本实施例中，所述处理器用于运行所述存储器中存储的程序代码或者处理数据，例如运行所述盆骨动脉血管分割方法的程序代码。

Claims (5)

1.一种盆骨动脉血管分割方法，其特征在于，包括以下步骤：
步骤S1，获取样本数据
获取样本影像数据以及对应的血管标签数据，并利用血管标签数据提取样本影像数据对应的血管中心线；
步骤S2，搭建多任务拓扑感知全卷积网络模型
搭建多任务拓扑感知全卷积网络模型，多任务拓扑感知全卷积网络模型包括特征提取主干网络、多任务分支网络，多任务分支网络包括血管分割分类器和中心线分割分类器，特征提取主干网络的输出分别作为血管分割分类器、中心线分割分类器的输入，血管分割分类器输出血管分割结果，中心线分割分类器输出中心线分割结果；
特征提取主干网络采用3D-Unet的3D全卷积神经网络，包括卷积、最大池化、跳跃连接和上采样；卷积采用大小为3*3*3的卷积核进行卷积，最大池化为采用步长为2、大小为2*2的卷积核进行池化，跳跃连接为通过拼接的方式将同层编码器阶段的数据与编码器阶段的数据进行融合，上采样为采用图像插值的方式放大图像；
血管分割分类器、中心线分割分类器为两个各自独立的分类器，血管分割分类器、中心线分割分类器均包括两个卷积层，每个卷积层均包括批归一化和ReLu激活；
步骤S3，训练多任务拓扑感知全卷积网络模型
利用步骤S1中获取的样本影像数据以及对应的血管标签数据输入多任务拓扑感知全卷积网络模型进行血管分割训练；
利用步骤S1中获取的样本影像数据以及提取的血管中心线输入多任务拓扑感知全卷积网络模型进行中心线分割训练；
训练多任务拓扑感知全卷积网络模型时，整体损失函数L为：
其中，为血管分割损失函数，为中心线分割损失函数，为多任务优化惩罚项函数；
血管分割损失函数的具体计算方式为：
其中，为分割血管预测，为分割任务中真实的血管标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管时，=0，标签为血管时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
中心线分割损失函数的具体计算方式为：
其中，为分割血管中心线预测，为分割任务中提取的血管中心线标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管中心线时，=0，标签为血管中心线时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
多任务优化惩罚项函数的具体计算方式为：
其中，表示通过中心线分割损失函数计算出来的值，为通过血管分割损失函数计算出来的值；
训练优化算法采用Adam优化算法，初始学习率设置为0.001，权重衰减参数设置为；网络学习针对每个批次更新一次参数，每一级经过一次迭代学习之后，模型判断各级的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前级的当前模型，然后继续训练，若训练达到最大迭代次数或者总误差连续经过10迭代没有都下降，则训练停止；
步骤S4，实时分割
将实时获取的盆骨动脉CT影像数据输入多任务拓扑感知全卷积网络模型，输出血管分割结果与中心线分割结果。
2.如权利要求1所述的一种盆骨动脉血管分割方法，其特征在于，步骤S1中，在提取样本影像数据的中心线时，具体提取步骤为：
步骤S11，根据血管标签数据，沿血管边界提取抽样点，得到抽样点集，其中抽样点的提取密度由血管局部的曲率决定；
步骤S12，对步骤S11得到的抽样点集进行三角剖分，并根据血管分叉点判断三角形区域的归属类别，得到血管中心线。
3.一种盆骨动脉血管分割系统，其特征在于，包括：
样本数据获取模块，用于获取样本影像数据以及对应的血管标签数据，并利用血管标签数据提取样本影像数据对应的血管中心线；
多任务拓扑感知全卷积网络模型搭建模块，用于搭建多任务拓扑感知全卷积网络模型，多任务拓扑感知全卷积网络模型包括特征提取主干网络、多任务分支网络，多任务分支网络包括血管分割分类器和中心线分割分类器，特征提取主干网络的输出分别作为血管分割分类器、中心线分割分类器的输入，血管分割分类器输出血管分割结果，中心线分割分类器输出中心线分割结果；
特征提取主干网络采用3D-Unet的3D全卷积神经网络，包括卷积、最大池化、跳跃连接和上采样；卷积采用大小为3*3*3的卷积核进行卷积，最大池化为采用步长为2、大小为2*2的卷积核进行池化，跳跃连接为通过拼接的方式将同层编码器阶段的数据与编码器阶段的数据进行融合，上采样为采用图像插值的方式放大图像；
血管分割分类器、中心线分割分类器为两个各自独立的分类器，血管分割分类器、中心线分割分类器均包括两个卷积层，每个卷积层均包括批归一化和ReLu激活；
多任务拓扑感知全卷积网络模型训练模块，用于利用样本数据获取模块中获取的样本影像数据以及对应的血管标签数据输入多任务拓扑感知全卷积网络模型进行血管分割训练；
利用样本数据获取模块中获取的样本影像数据以及提取的血管中心线输入多任务拓扑感知全卷积网络模型进行中心线分割训练；
训练多任务拓扑感知全卷积网络模型时，整体损失函数L为：
其中，为血管分割损失函数，为中心线分割损失函数，为多任务优化惩罚项函数；
血管分割损失函数的具体计算方式为：
其中，为分割血管预测，为分割任务中真实的血管标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管时，=0，标签为血管时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
中心线分割损失函数的具体计算方式为：
其中，为分割血管中心线预测，为分割任务中提取的血管中心线标签；是指样本影像数据中某一个体素；V为样本影像数据中的所有体素；为整个网络的权重；为特征提取主干网络的权重；为体素预测为的概率；标签为非血管中心线时，=0，标签为血管中心线时，=1；为体素所属标签的真实概率值；为标签为的样本个数；
多任务优化惩罚项函数的具体计算方式为：
其中，表示通过中心线分割损失函数计算出来的值，为通过血管分割损失函数计算出来的值；
训练优化算法采用Adam优化算法，初始学习率设置为0.001，权重衰减参数设置为；网络学习针对每个批次更新一次参数，每一级经过一次迭代学习之后，模型判断各级的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前级的当前模型，然后继续训练，若训练达到最大迭代次数或者总误差连续经过10迭代没有都下降，则训练停止；
实时分割模块，用于将实时获取的盆骨动脉CT影像数据输入多任务拓扑感知全卷积网络模型，输出血管分割结果与中心线分割结果。
4.一种存储介质，其特征在于：存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至2中任一项所述方法的步骤。
5.一种终端，其特征在于：包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至2中任一项所述方法的步骤。
CN202211592570.5A 2022-12-13 2022-12-13 一种盆骨动脉血管分割方法、系统、存储介质及终端 Active CN115588012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211592570.5A CN115588012B (zh) 2022-12-13 2022-12-13 一种盆骨动脉血管分割方法、系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211592570.5A CN115588012B (zh) 2022-12-13 2022-12-13 一种盆骨动脉血管分割方法、系统、存储介质及终端

Publications (2)

Publication Number Publication Date
CN115588012A CN115588012A (zh) 2023-01-10
CN115588012B true CN115588012B (zh) 2023-04-07

Family

ID=84783137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211592570.5A Active CN115588012B (zh) 2022-12-13 2022-12-13 一种盆骨动脉血管分割方法、系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN115588012B (zh)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644420B (zh) * 2017-08-31 2020-12-29 西北大学 基于中心线提取的血管图像分割方法、核磁共振成像系统
US10140733B1 (en) * 2017-09-13 2018-11-27 Siemens Healthcare Gmbh 3-D vessel tree surface reconstruction
CN107563983B (zh) * 2017-09-28 2020-09-01 上海联影医疗科技有限公司 图像处理方法以及医学成像设备
US11308362B2 (en) * 2019-03-26 2022-04-19 Shenzhen Keya Medical Technology Corporation Method and system for generating a centerline for an object, and computer readable medium
CN111476757B (zh) * 2020-03-10 2023-05-23 西北大学 一种冠脉斑块数据检测方法、系统、存储介质、终端
EP4128040A4 (en) * 2020-04-24 2023-09-13 Shanghai United Imaging Healthcare Co., Ltd. OBJECT RECOGNITION SYSTEMS AND METHODS
CN112330684B (zh) * 2020-11-23 2022-09-13 腾讯科技（深圳）有限公司 对象分割方法、装置、计算机设备及存储介质
WO2022148415A1 (zh) * 2021-01-08 2022-07-14 杭州深睿博联科技有限公司 冠脉血管分割方法、装置、设备及计算机可读存储介质
CN112489047B (zh) * 2021-02-05 2021-06-01 四川大学 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
CN113222964B (zh) * 2021-05-27 2021-11-12 推想医疗科技股份有限公司 一种冠脉中心线提取模型的生成方法及装置
CN114037663A (zh) * 2021-10-27 2022-02-11 北京医准智能科技有限公司 一种血管分割方法、装置及计算机可读介质
CN114820656A (zh) * 2022-04-27 2022-07-29 哈尔滨医科大学附属第一医院 一种基于空间排序自监督学习的冠脉提取方法及系统

Also Published As

Publication number Publication date
CN115588012A (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
CN111899245B (zh) 图像分割、模型的训练方法及装置，电子设备及存储介质
CN110706246B (zh) 一种血管图像分割方法、装置、电子设备和存储介质
Bi et al. Automatic liver lesion detection using cascaded deep residual networks
CN111696089B (zh) 一种动静脉确定方法、装置、设备和存储介质
Badura et al. Soft computing approach to 3D lung nodule segmentation in CT
CN107274402A (zh) 一种基于胸部ct影像的肺结节自动检测方法及系统
CN115018852B (zh) 一种基于半监督学习的腹部淋巴结检测方法及装置
CN112308846B (zh) 血管分割方法、装置及电子设备
CN111899244B (zh) 图像分割、网络模型的训练方法及装置，及电子设备
EP3975117A1 (en) Image segmentation method and apparatus, and training method and apparatus for image segmentation model
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
Lv et al. Vessel segmentation using centerline constrained level set method
Lan et al. An elastic interaction-based loss function for medical image segmentation
CN113256670A (zh) 图像处理方法及装置、网络模型的训练方法及装置
Liu et al. A parallelized 4D reconstruction algorithm for vascular structures and motions based on energy optimization
Lyu et al. Dissected aorta segmentation using convolutional neural networks
Ma et al. A coronary artery segmentation method based on region growing with variable sector search area
CN115953393A (zh) 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质
Guo et al. Coarse-to-fine airway segmentation using multi information fusion network and CNN-based region growing
Hao et al. Hpm-net: Hierarchical progressive multiscale network for liver vessel segmentation in ct images
EP3951433A1 (en) Line structure extraction device, method and program, and learned model
CN115588012B (zh) 一种盆骨动脉血管分割方法、系统、存储介质及终端
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
Cheng et al. Automatic centerline detection of small three-dimensional vessel structures

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