CN116524191B - 融入测地线投票算法的深度学习网络的血管分割方法 - Google Patents

融入测地线投票算法的深度学习网络的血管分割方法 Download PDF

Info

Publication number
CN116524191B
CN116524191B CN202310524493.8A CN202310524493A CN116524191B CN 116524191 B CN116524191 B CN 116524191B CN 202310524493 A CN202310524493 A CN 202310524493A CN 116524191 B CN116524191 B CN 116524191B
Authority
CN
China
Prior art keywords
layer
convolution
map
characteristic
feature map
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
CN202310524493.8A
Other languages
English (en)
Other versions
CN116524191A (zh
Inventor
陈达
韩孝兴
舒明雷
刘丽
李焕春
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.)
Qilu University of Technology
Shandong Institute of Artificial Intelligence
Original Assignee
Qilu University of Technology
Shandong Institute of Artificial Intelligence
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 Qilu University of Technology, Shandong Institute of Artificial Intelligence filed Critical Qilu University of Technology
Priority to CN202310524493.8A priority Critical patent/CN116524191B/zh
Publication of CN116524191A publication Critical patent/CN116524191A/zh
Application granted granted Critical
Publication of CN116524191B publication Critical patent/CN116524191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/20—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

一种融入测地线投票算法的深度学习网络的血管分割方法，将增强后的数据集输入到编码器中进行特征提取，同时通过测地线投票算法计算测地线密度，得到测地线密度特征权重，将测地线密度特征权重与编码器提取的特征进行特征融合，通过解码器解码，最终完成冠状动脉血管的分割。结合了深度学习模型与测地线投票算法的优点，即克服了使用测地线投票算法进行血管分割时的阴影域问题，又克服了深度学习网络分割血管时血管不连续、缺乏几何信息等问题，提高了血管分割的准确性与鲁棒性。在使用深度学习网络进行血管分割时，通过融合测地线投票算法进行特征补偿，有效地克服深度学习网络分割中存在的不准确和漏检部分，得到更准确的血管分割结果。

Description

融入测地线投票算法的深度学习网络的血管分割方法
技术领域
本发明设计医学图像处理领域，具体涉及一种融入测地线投票算法的深度学习网络的血管分割方法。
背景技术
医学影像处理中的血管分割任务对疾病的诊断和治疗具有重要意义，可分为传统方法和基于深度学习的方法传统方法包括基于阈值、基于滤波器、基于形态学和基于机器学习等方法。这些方法通常基于先验知识或手工设计的特征，如血管的亮度、形状、纹理等，以及一些图像处理技术，如边缘检测、区域生长、二值化等，来提取血管并进行分割。如Chen等人(参考文献：D.Chen,J.Zhang and L.D.Cohen,"Minimal Paths for TubularStructure Segmentation With Coherence Penalty and Adaptive Anisotropy,"inIEEE Transactions on Image Processing,vol.28,no.3,pp.1271-1284,March 2019,doi:10.1109/TIP.2018.2874282.)使用最小路径模型对血管分割取得了不错的效果。然而，传统方法的效果通常受到图像噪声、伪影等干扰因素的影响，且对于复杂的血管结构和形态变化较大的图像效果较差。深度学习在医学影像分析领域的应用取得了重要进展，利用深度神经网络模型自动学习特征并实现血管分割。深度学习方法通常可以处理更加复杂的血管结构，且在噪声和伪影等干扰因素存在的情况下，仍能保持较好的分割效果。如Mishra等人(参考文献：S.Mishra,D.Z.Chen and X.S.Hu,"Objective-DependentUncertainty Driven Retinal Vessel Segmentation,"2021IEEE 18th InternationalSymposium on Biomedical Imaging(ISBI),Nice,France,2021,pp.453-457,doi:10.1109/ISBI48211.2021.9433774.)使用CNN网络对眼底图像微血管进行分割，得到了良好的效果。深度学习已经成为血管分割领域的主流方法之一，但其黑盒模型难以解释决策过程，可能带来医学诊断等应用上的风险
因此，在选择血管分割方法时需要权衡各种因素，并根据具体应用场景选择适合的方法。
发明内容
本发明为了克服以上技术的不足，提供了一种从质量差、复杂度高的XRA图像中提取连续、完整的血管轮廓的方法。
本发明克服其技术问题所采用的技术方案是：
一种融入测地线投票算法的深度学习网络的血管分割方法，包括如下步骤：
a)收集n张冠状动脉造影图像，得到数据集D′，D′＝{D′1,D′2,...,D′i,...,D′n}，D′i为第i张冠状动脉造影图像，i∈{1,2,...,n}；
b)对数据集D′进行数据集增强操作，得到增强后的数据集D，D＝{D1,D2,...,Di,...,Dn}，Di为第i张增强后的冠状动脉造影图像；
c)将增强后的数据集D划分为训练集train、验证集val、测试集test；
d)建立血管分割网络模型，血管分割网络模型由编码器、中间结构层、解码器构成；
e)将训练集train中第i张增强后的冠状动脉造影图像Di输入到血管分割网络模型的编码器，输出得到特征图及特征图/>
f)将特征图输入到血管分割网络模型的中间结构层中，输出得到特征图Dc；
g)将特征图及特征图Dc输入到血管分割网络模型的解码器中，输出得到分割图像IEND；
h)利用SGD优化器通过反向传播法，使用损失函数L优化血管分割网络模型，得到训练后的血管分割网络模型；
i)将测试集test中第i张增强后的冠状动脉造影图像Di输入到训练后的血管分割网络模型中，输出得到分割图像I′END。
进一步的，步骤a)中从ARCADE公开挑战赛中收集300名患者的冠状动脉造影图像，得到数据集D′。
进一步的，步骤b)中在python中导入Albumentations工具包，对数据集D′中的冠状动脉造影图像依次进行翻转、随机仿射变换、增强饱和度操作，得到增强后的数据集D。
优选的，步骤c)中将增强后的数据集D按7:1:2的比例划分为训练集train、验证集val、测试集test。
进一步的，步骤e)包括如下步骤：
e-1)血管分割网络模型的编码器由第一卷积单元、第二卷积单元、第一最大池化层、第三卷积单元、第四卷积单元、第二最大池化层、第五卷积单元、第六卷积单元、第三最大池化层、第七卷积单元、第八卷积单元、第四最大池化层构成；e-2)编码器的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将训练集train中第i张增强后的冠状动脉造影图像Di输入到第一卷积单元中，输出得到特征图e-3)编码器的第二卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第二卷积单元中，输出得到特征图/>e-4)将特征图/>输入到编码器的第一最大池化层中，输出得到特征图/>将训练集train中第i张增强后的冠状动脉造影图像Di输入到编码器的第一最大池化层中，输出得到特征图/>e-5)编码器的第三卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第三卷积单元中，输出得到特征图/>e-6)编码器的第四卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第四卷积单元中，输出得到特征图/>e-7)将特征图/>输入到编码器的第二最大池化层中，输出得到特征图/>将特征图/>输入到编码器的第二最大池化层中，输出得到特征图/>e-8)编码器的第五卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第五卷积单元中，输出得到特征图/>e-9)编码器的第六卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第六卷积单元中，输出得到特征图/>e-10)将特征图/>输入到编码器的第三最大池化层中，输出得到特征图/>将特征图/>输入到编码器的第三最大池化层中，输出得到特征图/>e-11)编码器的第七卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第七卷积单元中，输出得到特征图/>
e-12)编码器的第八卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第八卷积单元中，输出得到特征图/>e-13)将特征图/>输入到编码器的第四最大池化层中，输出得到特征图/>将特征图/>输入到编码器的第四最大池化层中，输出得到特征图/>进一步的，步骤f)包括如下步骤：
f-1)血管分割网络模型的中间结构层由第一卷积单元、第二卷积单元构成；
f-2)中间结构层的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第一卷积单元中，输出得到特征图/>f-3)中间结构层的第二卷积单元依次由卷积层、BatchNorm层、Dropout层构成，将特征图/>输入到第二卷积单元中，输出得到特征图Dc。
进一步的，步骤g)包括如下步骤：
g-1)血管分割网络模型的解码器由第一测地线投票算法模块、第一上采样层、第一特征融合层、第一卷积单元、第二卷积单元、第二测地线投票算法模块、第二上采样层、第二特征融合层、第三卷积单元、第四卷积单元、第三测地线投票算法模块、第三上采样层、第三特征融合层、第五卷积单元、第六卷积单元、第四测地线投票算法模块、第四上采样层、第四特征融合层、第七卷积单元、第八卷积单元、第九卷积单元构成；
g-2)解码器的第一测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图剪裁至与特征图Dc同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S1，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x1作为测地线投票算法的源点，将特征点x1与点集S1利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图Dc输入到特征融合层中，将测地线密度系数特征图/>与特征图Dc采用对应像素相乘的方式进行特征融合，得到特征图/>g-3)将特征图/>输入到解码器的第一上采样层中，输出得到特征图/>g-4)将特征图/>与特征图/>输入到第一特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>g-5)解码器的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第一卷积单元中，输出得到特征图/>g-6)解码器的第二卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第二卷积单元中，输出得到特征图/>g-7)解码器的第二测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图/>剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S2，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x2作为测地线投票算法的源点，将特征点x2与点集S2利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图/>输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图/>采用对应像素相乘的方式进行特征融合，得到特征图/>g-8)将特征图输入到解码器的第二上采样层中，输出得到特征图/>g-9)将特征图/>与特征图输入到第二特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>g-10)解码器的第三卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第三卷积单元中，输出得到特征图/>g-11)解码器的第四卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第四卷积单元中，输出得到特征图/>g-12)解码器的第三测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图/>剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S3，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x3作为测地线投票算法的源点，将特征点x3与点集S3利用测地线投票算法计算生成测地线密度特征图将测地线密度特征图/>输入到Sigmoid函数中，输出得到测地线密度系数特征图将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图/>采用对应像素相乘的方式进行特征融合，得到特征图g-13)将特征图/>输入到解码器的第三上采样层中，输出得到特征图/>g-14)将特征图/>与特征图/>输入到第三特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>g-15)解码器的第五卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第五卷积单元中，输出得到特征图g-16)解码器的第六卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第四卷积单元中，输出得到特征图/>g-17)解码器的第四测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图/>剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S4，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x4作为测地线投票算法的源点，将特征点x4与点集S4利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图/>输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图/>采用对应像素相乘的方式进行特征融合，得到特征图/>g-18)将特征图/>输入到解码器的第四上采样层中，输出得到特征图/>g-19)将特征图/>与特征图/>输入到第四特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>g-20)解码器的第七卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第七卷积单元中，输出得到特征图/>g-21)解码器的第八卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第八卷积单元中，输出得到特征图/>g-22)解码器的第九卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第九卷积单元中，输出得到分割图像IEND。
优选的，步骤e-2)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-3)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-4)中第一最大池化层的池化窗口为2×2；步骤e-5)中第三卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-6)中第四卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-7)中第二最大池化层的池化窗口为2×2；步骤e-8)中第五卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-9)中第六卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-10)中第三最大池化层的池化窗口为2×2；步骤e-11)中第七卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-12)中第八卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-13)中第四最大池化层的池化窗口为2×2；步骤f-2)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤f-3)中第二卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-3)中第一上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-5)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-6)中第二卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-8)中第二上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-10)中第三卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-11)中第四卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-13)中第三上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-15)中第五卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-16)中第六卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-18)中第四上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-20)中第七卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-21)中第八卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-22)中第八卷积单元的卷积层的卷积核大小为1×1、stride为1×1、padding为0。
进一步的，步骤h)中通过公式L＝LDice+LBCE计算得到损失函数L，式中，LDice为Dice损失，LBCE为交叉熵损失。
本发明的有益效果是：提供了一种融合测地线投票算法的类U-Net网络，通过将测地线投票算法得到的测地线密度转换为特征权重，融入到编码器提取到的特征中，使得传统血管分割方法与深度学习方法得到了充分的融合。首先，将增强后的数据集输入到编码器中进行特征提取，同时通过测地线投票算法计算测地线密度，得到测地线密度特征权重，将测地线密度特征权重与编码器提取的特征进行特征融合，通过解码器解码，最终完成冠状动脉血管的分割。结合了深度学习模型与测地线投票算法的优点，即克服了使用测地线投票算法进行血管分割时的阴影域问题，又克服了深度学习网络分割血管时血管不连续、缺乏几何信息等问题，提高了血管分割的准确性与鲁棒性。在使用深度学习网络进行血管分割时，通过融合测地线投票算法进行特征补偿，有效地克服深度学习网络分割中存在的不准确和漏检部分，得到更准确的血管分割结果。
附图说明
图1为本发明的血管分割网络模型的结构图；
图2为本发明的测地线投票算法模块的结构图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种融入测地线投票算法的深度学习网络的血管分割方法，包括如下步骤：
a)收集n张冠状动脉造影图像，得到数据集D′，D′＝{D′1,D′2,...,D′i,...,D′n}，D′i为第i张冠状动脉造影图像，i∈{1,2,...,n}。
b)对数据集D′进行数据集增强操作，得到增强后的数据集D，D＝{D1,D2,...,Di,...,Dn}，Di为第i张增强后的冠状动脉造影图像。
c)将增强后的数据集D划分为训练集train、验证集val、测试集test。
d)建立血管分割网络模型，血管分割网络模型由编码器、中间结构层、解码器构成。
e)将训练集train中第i张增强后的冠状动脉造影图像Di输入到血管分割网络模型的编码器，输出得到特征图及特征图/>
f)将特征图输入到血管分割网络模型的中间结构层中，输出得到特征图Dc。g)将特征图/>及特征图Dc输入到血管分割网络模型的解码器中，输出得到分割图像IEND。
h)利用SGD优化器通过反向传播法，使用损失函数L优化血管分割网络模型，得到训练后的血管分割网络模型。
i)将测试集test中第i张增强后的冠状动脉造影图像Di输入到训练后的血管分割网络模型中，完成冠状动脉血管的分割，输出得到分割图像I′END，可以将分割图像保存为jpg格式的文件。
本发明结合了几何模型中的测地线投票算法与深度学习网络，从质量差、复杂度高的XRA图像中提取出连续、完整的血管轮廓。其中，使用Harris角点检测器生成角点特征图，计算测地线密度权重特征图。XRA图像在类U-Net网络中进行特征提取。然后将测地线密度权重特征图与类U-Net网络提取到的特征进行特征融合，最后完成血管的分割。本发明结合了深度学习模型与测地线投票算法的优点，即克服了使用测地线投票算法进行血管分割时的阴影域问题，又克服深度学习网络分割血管时血管不连续、缺乏几何信息等问题，提高了血管分割的准确性与鲁棒性。在使用深度学习网络进行血管分割时，通过融合测地线投票算法进行特征补偿，有效地克服深度学习网络分割中存在的不准确和漏检部分，得到更准确的血管分割结果。
实施例1：
步骤a)中从ARCADE公开挑战赛中收集300名患者的冠状动脉造影图像，得到数据集D′。:步骤b)中在python中导入Albumentations工具包，对数据集D′中的冠状动脉造影图像依次进行翻转、随机仿射变换、增强饱和度操作，得到增强后的数据集D。步骤c)中将增强后的数据集D按7:1:2的比例划分为训练集train、验证集val、测试集test。
实施例2：
步骤e)包括如下步骤：
e-1)血管分割网络模型的编码器由第一卷积单元、第二卷积单元、第一最大池化层、第三卷积单元、第四卷积单元、第二最大池化层、第五卷积单元、第六卷积单元、第三最大池化层、第七卷积单元、第八卷积单元、第四最大池化层构成。e-2)编码器的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将训练集train中第i张增强后的冠状动脉造影图像Di输入到第一卷积单元中，输出得到特征图e-3)编码器的第二卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第二卷积单元中，输出得到特征图/>e-4)将特征图/>输入到编码器的第一最大池化层中，输出得到特征图/>将训练集train中第i张增强后的冠状动脉造影图像Di输入到编码器的第一最大池化层中，输出得到特征图/>e-5)编码器的第三卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第三卷积单元中，输出得到特征图/>e-6)编码器的第四卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第四卷积单元中，输出得到特征图/>e-7)将特征图/>输入到编码器的第二最大池化层中，输出得到特征图/>将特征图/>输入到编码器的第二最大池化层中，输出得到特征图/>e-8)编码器的第五卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第五卷积单元中，输出得到特征图/>e-9)编码器的第六卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第六卷积单元中，输出得到特征图/>e-10)将特征图/>输入到编码器的第三最大池化层中，输出得到特征图/>将特征图/>输入到编码器的第三最大池化层中，输出得到特征图/>e-11)编码器的第七卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第七卷积单元中，输出得到特征图/>e-12)编码器的第八卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第八卷积单元中，输出得到特征图/>e-13)将特征图/>输入到编码器的第四最大池化层中，输出得到特征图/>将特征图/>输入到编码器的第四最大池化层中，输出得到特征图/>
实施例3：
步骤f)包括如下步骤：
f-1)血管分割网络模型的中间结构层由第一卷积单元、第二卷积单元构成。f-2)中间结构层的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第一卷积单元中，输出得到特征图/>f-3)中间结构层的第二卷积单元依次由卷积层、BatchNorm层、Dropout层构成，将特征图/>输入到第二卷积单元中，输出得到特征图Dc。
实施例4：
步骤g)包括如下步骤：
g-1)血管分割网络模型的解码器由第一测地线投票算法模块、第一上采样层、第一特征融合层、第一卷积单元、第二卷积单元、第二测地线投票算法模块、第二上采样层、第二特征融合层、第三卷积单元、第四卷积单元、第三测地线投票算法模块、第三上采样层、第三特征融合层、第五卷积单元、第六卷积单元、第四测地线投票算法模块、第四上采样层、第四特征融合层、第七卷积单元、第八卷积单元、第九卷积单元构成。
g-2)解码器的第一测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图剪裁至与特征图Dc同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S1，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x1作为测地线投票算法的源点，将特征点x1与点集S1利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图Dc输入到特征融合层中，将测地线密度系数特征图/>与特征图Dc采用对应像素相乘的方式进行特征融合，得到特征图/>g-3)将特征图/>输入到解码器的第一上采样层中，输出得到特征图/>g-4)将特征图/>与特征图/>输入到第一特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>g-5)解码器的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第一卷积单元中，输出得到特征图/>g-6)解码器的第二卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第二卷积单元中，输出得到特征图/>g-7)解码器的第二测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图/>剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S2，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x2作为测地线投票算法的源点，将特征点x2与点集S2利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图/>输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图/>采用对应像素相乘的方式进行特征融合，得到特征图/>g-8)将特征图输入到解码器的第二上采样层中，输出得到特征图/>g-9)将特征图/>与特征图输入到第二特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>g-10)解码器的第三卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第三卷积单元中，输出得到特征图/>g-11)解码器的第四卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第四卷积单元中，输出得到特征图/>g-12)解码器的第三测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图/>剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S3，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x3作为测地线投票算法的源点，将特征点x3与点集S3利用测地线投票算法计算生成测地线密度特征图将测地线密度特征图/>输入到Sigmoid函数中，输出得到测地线密度系数特征图将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图/>采用对应像素相乘的方式进行特征融合，得到特征图/>g-13)将特征图/>输入到解码器的第三上采样层中，输出得到特征图/>g-14)将特征图/>与特征图/>输入到第三特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>g-15)解码器的第五卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第五卷积单元中，输出得到特征图g-16)解码器的第六卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第四卷积单元中，输出得到特征图/>g-17)解码器的第四测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图/>剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S4，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x4作为测地线投票算法的源点，将特征点x4与点集S4利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图/>输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图/>采用对应像素相乘的方式进行特征融合，得到特征图/>g-18)将特征图/>输入到解码器的第四上采样层中，输出得到特征图/>g-19)将特征图/>与特征图/>输入到第四特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>g-20)解码器的第七卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第七卷积单元中，输出得到特征图/>g-21)解码器的第八卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第八卷积单元中，输出得到特征图/>g-22)解码器的第九卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第九卷积单元中，输出得到分割图像IEND。
优选的，步骤e-2)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-3)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-4)中第一最大池化层的池化窗口为2×2；步骤e-5)中第三卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-6)中第四卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-7)中第二最大池化层的池化窗口为2×2；步骤e-8)中第五卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-9)中第六卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-10)中第三最大池化层的池化窗口为2×2；步骤e-11)中第七卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-12)中第八卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-13)中第四最大池化层的池化窗口为2×2；步骤f-2)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤f-3)中第二卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-3)中第一上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-5)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-6)中第二卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-8)中第二上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-10)中第三卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-11)中第四卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-13)中第三上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-15)中第五卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-16)中第六卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-18)中第四上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-20)中第七卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-21)中第八卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-22)中第八卷积单元的卷积层的卷积核大小为1×1、stride为1×1、padding为0。
实施例5：
步骤h)中通过公式L＝LDice+LBCE计算得到损失函数L，式中，LDice为Dice损失，LBCE为交叉熵损失。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种融入测地线投票算法的深度学习网络的血管分割方法，其特征在于，包括如下步骤：
a)收集n张冠状动脉造影图像，得到数据集D′，D′＝{D′1,D′2,...,D′i,...,D′n}，D′i为第i张冠状动脉造影图像，i∈{1,2,...,n}；
b)对数据集D′进行数据集增强操作，得到增强后的数据集D，D＝{D1,D2,...,Di,...,Dn}，Di为第i张增强后的冠状动脉造影图像；
c)将增强后的数据集D划分为训练集train、验证集val、测试集test；
d)建立血管分割网络模型，血管分割网络模型由编码器、中间结构层、解码器构成；
e)将训练集train中第i张增强后的冠状动脉造影图像Di输入到血管分割网络模型的编码器，输出得到特征图及特征图/>
f)将特征图输入到血管分割网络模型的中间结构层中，输出得到特征图Dc；
g)将特征图及特征图Dc输入到血管分割网络模型的解码器中，输出得到分割图像IEND；
h)利用SGD优化器通过反向传播法，使用损失函数L优化血管分割网络模型，得到训练后的血管分割网络模型；
i)将测试集test中第i张增强后的冠状动脉造影图像Di输入到训练后的血管分割网络模型中，输出得到分割图像I′END；
步骤g)包括如下步骤：
g-1)血管分割网络模型的解码器由第一测地线投票算法模块、第一上采样层、第一特征融合层、第一卷积单元、第二卷积单元、第二测地线投票算法模块、第二上采样层、第二特征融合层、第三卷积单元、第四卷积单元、第三测地线投票算法模块、第三上采样层、第三特征融合层、第五卷积单元、第六卷积单元、第四测地线投票算法模块、第四上采样层、第四特征融合层、第七卷积单元、第八卷积单元、第九卷积单元构成；
g-2)解码器的第一测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图剪裁至与特征图Dc同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图选取特征点图/>边界上所有的点生成点集S1，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x1作为测地线投票算法的源点，将特征点x1与点集S1利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图/>输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图与特征图Dc输入到特征融合层中，将测地线密度系数特征图/>与特征图Dc采用对应像素相乘的方式进行特征融合，得到特征图/>
g-3)将特征图输入到解码器的第一上采样层中，输出得到特征图/>
g-4)将特征图与特征图/>输入到第一特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>
g-5)解码器的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第一卷积单元中，输出得到特征图/>
g-6)解码器的第二卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第二卷积单元中，输出得到特征图/>
g-7)解码器的第二测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S2，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x2作为测地线投票算法的源点，将特征点x2与点集S2利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图采用对应像素相乘的方式进行特征融合，得到特征图/>g-8)将特征图/>输入到解码器的第二上采样层中，输出得到特征图/>g-9)将特征图/>与特征图/>输入到第二特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图
g-10)解码器的第三卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第三卷积单元中，输出得到特征图/>
g-11)解码器的第四卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第四卷积单元中，输出得到特征图/>
g-12)解码器的第三测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S3，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x3作为测地线投票算法的源点，将特征点x3与点集S3利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图/>采用对应像素相乘的方式进行特征融合，得到特征图/>g-13)将特征图/>输入到解码器的第三上采样层中，输出得到特征图/>g-14)将特征图/>与特征图/>输入到第三特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>
g-15)解码器的第五卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第五卷积单元中，输出得到特征图/>
g-16)解码器的第六卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第四卷积单元中，输出得到特征图/>
g-17)解码器的第四测地线投票算法模块由特征点检测层、测地线密度计算层、特征融合层构成，将特征图剪裁至与特征图/>同等大小，得到特征图/>将特征图/>输入到特征点检测层中，特征图/>通过Harris角点检测器检测其中的特征点，得到特征点图/>选取特征点图/>边界上所有的点生成点集S4，将特征点图/>输入到测地线密度计算层中，从特征点图/>中随机选取一特征点x4作为测地线投票算法的源点，将特征点x4与点集S4利用测地线投票算法计算生成测地线密度特征图/>将测地线密度特征图输入到Sigmoid函数中，输出得到测地线密度系数特征图/>将测地线密度系数特征图/>与特征图/>输入到特征融合层中，将测地线密度系数特征图/>与特征图/>采用对应像素相乘的方式进行特征融合，得到特征图/>g-18)将特征图/>输入到解码器的第四上采样层中，输出得到特征图/>g-19)将特征图/>与特征图/>输入到第四特征融合层中，特征图/>与特征图/>以通道叠加的方式进行特征融合，得到特征图/>
g-20)解码器的第七卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第七卷积单元中，输出得到特征图/>
g-21)解码器的第八卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第八卷积单元中，输出得到特征图/>g-22)解码器的第九卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第九卷积单元中，输出得到分割图像IEND。
2.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于：步骤a)中从ARCADE公开挑战赛中收集300名患者的冠状动脉造影图像，得到数据集D′。
3.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于：步骤b)中在python中导入Albumentations工具包，对数据集D′中的冠状动脉造影图像依次进行翻转、随机仿射变换、增强饱和度操作，得到增强后的数据集D。
4.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于：步骤c)中将增强后的数据集D按7:1:2的比例划分为训练集train、验证集val、测试集test。
5.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于，步骤e)包括如下步骤：
e-1)血管分割网络模型的编码器由第一卷积单元、第二卷积单元、第一最大池化层、第三卷积单元、第四卷积单元、第二最大池化层、第五卷积单元、第六卷积单元、第三最大池化层、第七卷积单元、第八卷积单元、第四最大池化层构成；e-2)编码器的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将训练集train中第i张增强后的冠状动脉造影图像Di输入到第一卷积单元中，输出得到特征图
e-3)编码器的第二卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第二卷积单元中，输出得到特征图/>
e-4)将特征图输入到编码器的第一最大池化层中，输出得到特征图/>将训练集train中第i张增强后的冠状动脉造影图像Di输入到编码器的第一最大池化层中，输出得到特征图/>
e-5)编码器的第三卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第三卷积单元中，输出得到特征图/>
e-6)编码器的第四卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第四卷积单元中，输出得到特征图/>
e-7)将特征图输入到编码器的第二最大池化层中，输出得到特征图/>将特征图输入到编码器的第二最大池化层中，输出得到特征图/>e-8)编码器的第五卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第五卷积单元中，输出得到特征图/>
e-9)编码器的第六卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第六卷积单元中，输出得到特征图/>
e-10)将特征图输入到编码器的第三最大池化层中，输出得到特征图/>将特征图/>输入到编码器的第三最大池化层中，输出得到特征图/>e-11)编码器的第七卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图/>输入到第七卷积单元中，输出得到特征图/>
e-12)编码器的第八卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第八卷积单元中，输出得到特征图/>
e-13)将特征图输入到编码器的第四最大池化层中，输出得到特征图/>将特征图/>输入到编码器的第四最大池化层中，输出得到特征图/>
6.根据权利要求5所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于，步骤f)包括如下步骤：
f-1)血管分割网络模型的中间结构层由第一卷积单元、第二卷积单元构成；
f-2)中间结构层的第一卷积单元依次由卷积层、BatchNorm层、Relu激活函数构成，将特征图输入到第一卷积单元中，输出得到特征图/>
f-3)中间结构层的第二卷积单元依次由卷积层、BatchNorm层、Dropout层构成，将特征图输入到第二卷积单元中，输出得到特征图Dc。
7.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于：步骤e-2)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-3)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-4)中第一最大池化层的池化窗口为2×2；步骤e-5)中第三卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-6)中第四卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-7)中第二最大池化层的池化窗口为2×2；步骤e-8)中第五卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-9)中第六卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-10)中第三最大池化层的池化窗口为2×2；步骤e-11)中第七卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-12)中第八卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤e-13)中第四最大池化层的池化窗口为2×2；步骤f-2)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤f-3)中第二卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-3)中第一上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-5)中第一卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-6)中第二卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-8)中第二上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-10)中第三卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-11)中第四卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-13)中第三上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-15)中第五卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-16)中第六卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-18)中第四上采样层的反卷积核大小为2×2、stride为2×2、padding为0；步骤g-20)中第七卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-21)中第八卷积单元的卷积层的卷积核大小为3×3、stride为1×1、padding为0；步骤g-22)中第八卷积单元的卷积层的卷积核大小为1×1、stride为1×1、padding为0。
8.根据权利要求1所述的融入测地线投票算法的深度学习网络的血管分割方法，其特征在于：步骤h)中通过公式L＝LDice+LBCE计算得到损失函数L，式中，LDice为Dice损失，LBCE为交叉熵损失。
CN202310524493.8A 2023-05-11 2023-05-11 融入测地线投票算法的深度学习网络的血管分割方法 Active CN116524191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310524493.8A CN116524191B (zh) 2023-05-11 2023-05-11 融入测地线投票算法的深度学习网络的血管分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310524493.8A CN116524191B (zh) 2023-05-11 2023-05-11 融入测地线投票算法的深度学习网络的血管分割方法

Publications (2)

Publication Number Publication Date
CN116524191A CN116524191A (zh) 2023-08-01
CN116524191B true CN116524191B (zh) 2024-01-19

Family

ID=87399202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310524493.8A Active CN116524191B (zh) 2023-05-11 2023-05-11 融入测地线投票算法的深度学习网络的血管分割方法

Country Status (1)

Country Link
CN (1) CN116524191B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766322A (zh) * 2015-04-03 2015-07-08 北京师范大学 基于测地线的脑血管长度及弯曲度度量方法
CN112070809A (zh) * 2020-07-22 2020-12-11 中国科学院苏州生物医学工程技术研究所 基于pet/ct双时成像的胰腺癌精准诊断系统
CN112150476A (zh) * 2019-06-27 2020-12-29 上海交通大学 基于时空判别性特征学习的冠状动脉序列血管分割方法
CN112785551A (zh) * 2020-12-30 2021-05-11 杭州电子科技大学 一种基于深度学习的冠状动脉分割方法
CN112967300A (zh) * 2021-02-23 2021-06-15 艾瑞迈迪医疗科技（北京）有限公司 基于多尺度融合网络的三维超声甲状腺分割方法及装置
CN114581392A (zh) * 2022-02-28 2022-06-03 山东省人工智能研究院 基于深度学习和各向异性活动轮廓的图像分割方法
CN114972388A (zh) * 2022-05-23 2022-08-30 山东省人工智能研究院 基于非对称测地线的交互式图像分割方法
CN115170599A (zh) * 2022-05-25 2022-10-11 北京大学 通过图神经网络的链路预测进行血管分割的方法和装置
CN116091519A (zh) * 2022-12-20 2023-05-09 苏州大学 一种脉络膜新生血管生长预测方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3505059A1 (en) * 2017-12-28 2019-07-03 Leica Instruments (Singapore) Pte. Ltd. Apparatus and method for measuring blood flow direction using a fluorophore

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766322A (zh) * 2015-04-03 2015-07-08 北京师范大学 基于测地线的脑血管长度及弯曲度度量方法
CN112150476A (zh) * 2019-06-27 2020-12-29 上海交通大学 基于时空判别性特征学习的冠状动脉序列血管分割方法
CN112070809A (zh) * 2020-07-22 2020-12-11 中国科学院苏州生物医学工程技术研究所 基于pet/ct双时成像的胰腺癌精准诊断系统
CN112785551A (zh) * 2020-12-30 2021-05-11 杭州电子科技大学 一种基于深度学习的冠状动脉分割方法
CN112967300A (zh) * 2021-02-23 2021-06-15 艾瑞迈迪医疗科技（北京）有限公司 基于多尺度融合网络的三维超声甲状腺分割方法及装置
CN114581392A (zh) * 2022-02-28 2022-06-03 山东省人工智能研究院 基于深度学习和各向异性活动轮廓的图像分割方法
CN114972388A (zh) * 2022-05-23 2022-08-30 山东省人工智能研究院 基于非对称测地线的交互式图像分割方法
CN115170599A (zh) * 2022-05-25 2022-10-11 北京大学 通过图神经网络的链路预测进行血管分割的方法和装置
CN116091519A (zh) * 2022-12-20 2023-05-09 苏州大学 一种脉络膜新生血管生长预测方法、装置及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Curvilinear Structure Tracking Based on Dynamic Curvature-penalized Geodesics;Li Liu 等;《Pattern Recognition》;第134卷;全文 *
Minimal Paths for Tubular Structure Segmentation With Coherence Penalty and Adaptive Anisotropy;Da Chen 等;《IEEE Transactions on Image Processing》;第28卷(第3期);全文 *
密集连接扩张卷积神经网络的单幅图像去雾;刘广洲 等;《计算机科学与探索》;第15卷(第1期);全文 *
跨级可变形Transformer编解码视网膜图像分割算法;梁礼明 等;《无线电工程》;第53卷(第9期);全文 *

Also Published As

Publication number Publication date
CN116524191A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
CN110163809A (zh) 基于U-net生成对抗网络DSA成像方法及装置
CN109431531B (zh) 基于灌注成像的血管分割方法及装置和计算机装置
CN113516659B (zh) 一种基于深度学习的医学影像自动分割方法
Bian et al. Optic disc and optic cup segmentation based on anatomy guided cascade network
US20230281809A1 (en) Connected machine-learning models with joint training for lesion detection
WO2022121100A1 (zh) 一种基于darts网络的多模态医学图像融合方法
CN110619635B (zh) 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN111861910A (zh) 一种ct图像降噪系统及方法
WO2022246677A1 (zh) 一种增强ct图像的重建方法
CN107845065A (zh) 超分辨率图像重建方法和装置
Kim et al. Unsupervised feature elimination via generative adversarial networks: application to hair removal in melanoma classification
Pan et al. Prostate segmentation from 3d mri using a two-stage model and variable-input based uncertainty measure
CN110211193A (zh) 三维ct层间图像插值修复与超分辨处理方法及装置
CN113034507A (zh) 基于ccta影像的冠状动脉三维分割方法
Montalt‐Tordera et al. Reducing contrast agent dose in cardiovascular MR angiography with deep learning
Fadil et al. A deep learning pipeline for automatic analysis of multi-scan cardiovascular magnetic resonance
CN113935976A (zh) 一种增强ct图像的脏器内血管自动分割方法及系统
CN113724203B (zh) 应用于oct图像中目标特征分割的模型训练方法及装置
CN116524191B (zh) 融入测地线投票算法的深度学习网络的血管分割方法
CN111598966B (zh) 一种基于生成对抗网络的磁共振成像方法及装置
Marin-Castrillon et al. 4D segmentation of the thoracic aorta from 4D flow MRI using deep learning
Cardenas-Peña et al. Local binary fitting energy solution by graph cuts for MRI segmentation
CN114926559A (zh) 一种基于字典学习思想无衰减校正的pet重建方法
Shao et al. Semantic segmentation method of 3D liver image based on contextual attention model

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