CN116703948A - 基于深度神经网络的颅内血管树分割方法和分割装置 - Google Patents
基于深度神经网络的颅内血管树分割方法和分割装置 Download PDFInfo
- Publication number
- CN116703948A CN116703948A CN202310969770.6A CN202310969770A CN116703948A CN 116703948 A CN116703948 A CN 116703948A CN 202310969770 A CN202310969770 A CN 202310969770A CN 116703948 A CN116703948 A CN 116703948A
- Authority
- CN
- China
- Prior art keywords
- image
- vessel
- neural network
- sample image
- dsa
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 title claims abstract description 37
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 115
- 239000006185 dispersion Substances 0.000 claims abstract description 70
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 230000002792 vascular Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000002601 radiography Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002583 angiography Methods 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 4
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000004004 carotid artery internal Anatomy 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—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
- G06T2207/30—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)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (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)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于深度神经网络的颅内血管树分割方法和分割装置，颅内血管树分割方法，包括利用训练完成的深度神经网络从输入的DSA影像中分割出颅内血管树，训练过程包括：对含有血管的DSA图像进行采样，从采样图像中筛选获得血管密集图像，划分为小血管样本图和大血管样本图；根据典型角度造影中不同尺寸血管的相对位置关系，对各所述血管密集图像进行铺列组合，用于形成样本图像；在所述样本图像中获得每个像素点的离散度信息，所述离散度信息用于表示预定区域内血管像素值的离散程度；将所述样本图像、以及所述样本图像中每个像素点对应的所述离散度信息，结合制作为输入数据集，所述输入数据集用于训练所述深度神经网络。
Description
技术领域
本申请涉及医学影像分割技术领域，特别是涉及一种基于深度神经网络的颅内血管树分割方法和分割装置。
背景技术
脑血管疾病由于其高发病率和死亡率已成为人类健康的主要威胁。在目前的临床应用中，脑血管疾病的可视化成像诊断技术包括数字减影血管造影（DSA）、磁共振血管造影（MRA）、经颅多普勒（TCD）。DSA作为诊断脑血管疾病的金标准，被广泛应用于临床，因为它允许高分辨率的评估，并可以为诊断提供直观的血管结构信息。然而，由于脑血管分支的复杂性，脑血管DSA中不仅有许多微小的毛细血管，而且颈内动脉（ICA）也较厚。这就要求在脑血管分割任务中应考虑不同尺度的分割目标。同时，在DSA成像过程中，造影剂的浓度会不断变化，扩散不均匀，可能导致脑血管DSA图像中出现伪影和噪声。不仅如此，颅内全血管树往往有众多的细小血管，用深度学习方法训练网络需要大量的数据，因此标注数据往往成为限制该技术方案的重要问题。
发明内容
基于此，有必要基于上述技术问题，提供一种基于深度神经网络的颅内血管树分割方法。
本申请基于深度神经网络的颅内血管树分割方法，包括利用训练完成的深度神经网络从输入的DSA影像中分割出颅内血管树，训练过程包括：
对含有血管的DSA图像进行采样，从采样图像中筛选获得血管密集图像，将所述血管密集图像划分为小血管样本图和大血管样本图；
根据典型角度造影中不同尺寸血管的相对位置关系，对各所述血管密集图像进行铺列组合，用于形成样本图像；
在所述样本图像中获得每个像素点的离散度信息，所述离散度信息用于表示预定区域内血管像素值的离散程度；
将所述样本图像、以及所述样本图像中每个像素点对应的所述离散度信息，结合制作为输入数据集，所述输入数据集用于训练所述深度神经网络。
可选的，所述采样图像的滑动步长，为所述采样图像尺寸长或宽的一半；
颅内血管树分割方法包括：对不含血管的DSA图像进行采样，筛选获得含有噪声分布区域的负样本图，所述负样本图用于补充铺列、以形成所述样本图像。
可选的，筛选获得含有噪声分布区域的负样本图，具体包括：
基于不含血管的DSA图像，对所有像素点的灰度值进行由大到小的排布分析，获得灰度值排名在后的、10%数量的像素点，作为待选位置；
在所述待选位置中，选择负样本像素点，进而获得以所述负样本像素点为中心的负样本图。
可选的，所述颅内血管树分割方法包括将DSA序列帧图像划分为含有血管的DSA图像、以及不含血管的DSA图像，具体包括：
基于DSA序列帧图像中的每帧DSA图像，统计整幅图像中全部像素点的灰度值，对灰度值进行由大到小的排布分析；
获得灰度值排名在前的、第一百分比数量的灰度值均值；
获得灰度值排名在后的、第二百分比数量的灰度值中位数值，所述第二百分比与第一百分比的加和为一；
将所述灰度值均值和所述灰度值中位数值做差，若差值大于给定阈值，则判定该帧DSA图像为含有血管的DSA图像，若差值小于或等于给定阈值，则判定该帧DSA图像为不含血管的DSA图像。
可选的，所述采样图像大小为32*32，所述血管密集图像的判断标准为采样图像内血管像素点的占比率大于预期值，所述小血管样本图和大血管样本图依据所述血管密集图像中血管像素点的离散度划分；
所述第一百分比为10%，所述第二百分比为90%。
可选的，在所述样本图像中获得每个像素点的离散度信息，所述离散度信息用于表示预定区域内血管像素值的离散程度，具体包括：
针对每个像素点，获得以该像素点为中心的第一区域；
在各所述第一区域中，筛选获得包含血管像素点的第二区域；
将所述第二区域中血管像素点的离散度信息，作为该像素点的离散度信息。
可选的，在各所述第一区域中，筛选获得包含血管像素点的第二区域，具体包括：
基于各所述第一区域内的图像，统计图像中全部像素点的灰度值，对灰度值进行由大到小的排布分析；
获得灰度值排名在前的、第一百分比数量的灰度值均值；
获得灰度值排名在后的、第二百分比数量的灰度值中位数值，所述第二百分比与第一百分比的加和为一；
将所述灰度值均值和所述灰度值中位数值做差，若差值大于给定阈值，则判定该第一区域内的图像含有血管像素点，筛选获得包含血管像素点的第二区域。
可选的，所述深度神经网络为生成对抗网络，所述生成对抗网络用于对所述样本图像进行相似性判别和重构，通过相似性判别的样本图像用于制作输入数据集。
可选的，所述训练过程包括：
获得所述样本图像中每个像素点对应的所述离散度信息，获得统计区间；
根据所述离散度信息的分布，将所述统计区间按划分为若干个子区间；
针对每个子区间，分别计算深度神经网络的损失函数，以进行所述深度神经网络的训练。
本申请还提供一种基于深度神经网络的颅内血管树分割装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现本申请所述的基于深度神经网络的颅内血管树分割方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请所述的基于深度神经网络的颅内血管树分割方法的步骤。
本申请还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本申请所述的基于深度神经网络的颅内血管树分割方法的步骤。
本申请基于深度神经网络的颅内血管树分割方法至少具有以下效果：
本申请的样本图像是铺列组合形成的，不同的血管密集图像可通过排列组合形成不同的样本图像。在同样数量的标注数据下，本申请可提供更多的训练样本，可以大大降低标注成本需求数量以及数据采集难度。
本申请用于训练深度神经网络的输入数据集，不仅包括样本图像，还包括离散度信息，能够使深度神经网络在降采样过程中额外的关注离散程度高的样本，进而提高深度神经网络的分割精度。
本申请通过负样本提高训练完成的深度神经网络的抗噪声和干扰能力，从而极大地减弱无关区域的噪声影响，对主要血管及细小分支都有较好的分割效果。
本申请通过对不同离散度信息进行子区间划分，并分别针对不同的的子区间，分区计算损失函数，能够进一步提高抗噪声和干扰能力，对主要血管及细小分支都有较好的分割效果。
附图说明
图1为本申请一实施例中基于深度神经网络的颅内血管树分割方法的流程示意图；
图2为本申请一实施例中基于深度神经网络的颅内血管树分割方法的流程示意图；
图3为本申请一实施例中基于深度神经网络的颅内血管树分割方法的流程示意图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
如何利用深度神经网络尽可能少的利用标注从DSA图像中自动准确地分割脑血管成为一个具有挑战性的问题。本申请旨在克服现有技术存在的问题和缺陷，提出了一种基于深度神经网络的颅内血管树分割方法。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
参见图1，本申请一实施例中提供一种基于深度神经网络的颅内血管树分割方法，包括利用训练完成的深度神经网络从输入的DSA影像中分割出颅内血管树，训练过程包括：
对含有血管的DSA图像进行采样，从采样图像中筛选获得血管密集图像，将血管密集图像划分为小血管样本图和大血管样本图；
根据典型角度造影中不同尺寸血管的相对位置关系，对各血管密集图像进行铺列组合，用于形成样本图像；
在样本图像中获得每个像素点的离散度信息，离散度信息用于表示预定区域内血管像素值的离散程度；
将样本图像、以及样本图像中每个像素点对应的离散度信息，结合制作为输入数据集，输入数据集用于训练深度神经网络。
参见图2和图3，在一个实施例中，还提供一种基于深度神经网络的颅内血管树分割方法，用于进一步地解释本申请上一实施例的详细流程。包括（1）灰度信息分析与分patch采样；（2）基于GAN的分patch样本重构；（3）包含离散度分析的分支监督。其中，“patch”意为采样窗口。“分patch”意为多个采样窗口分别执行采样过程，例如通过滑窗等形式。“分patch样本”意为采样窗口获得的采样图像。“分patch样本重构”意为利用各个采样窗口所获得的采样图像完成样本重构，以形成样本图像。
（1）灰度信息分析与分patch采样，对应步骤S100～步骤S200。
步骤S100，将DSA序列帧图像划分为含有血管的DSA图像、以及不含血管的DSA图像。步骤S100具体包括步骤S110～步骤S140。
步骤S110，基于DSA序列帧图像中的每帧DSA图像，统计整幅图像中全部像素点的灰度值，对灰度值进行由大到小的排布分析。
步骤S120，获得灰度值排名在前的、第一百分比数量的灰度值均值。
步骤S130，获得灰度值排名在后的、第二百分比数量的灰度值中位数值，第二百分比与第一百分比的加和为一。例如第一百分比为10%，第二百分比为90%。
步骤S140，将灰度值均值和灰度值中位数值做差，若差值大于给定阈值，则判定该帧DSA图像为含有血管的DSA图像，若差值小于或等于给定阈值，则判定该帧DSA图像为不含血管的DSA图像。
具体地，对DSA序列帧图像进行灰度信息分析，统计整幅图像中的全部像素点的像素值，找出灰度值最高的前10%，求出其均值；再将后90%灰度值的中位数值与均值比较。若二者的差值小于给定阈值，则认为此图像中不包含任何血管。若差值大于给定值，则认为此图像中包含血管。
给定阈值可根据第一百分比和第二百分比的取值，适应性调整。可以理解，对于DSA图像而言，流经造影剂的血管区域灰度值较低，无血管的背景区域灰度值相对较高。相比于不含血管的DSA图像，含有血管的DSA图像其像素点的灰度值信息受到血管区域的较低灰度值影响，中位数也较低。含有血管的DSA图像，在执行步骤S140时差值较大。本实施例利用上述流程，能够DSA图像自动划分为含有血管和不含血管两个类别。
步骤S200，对含有血管的DSA图像进行采样，从采样图像中筛选获得血管密集图像，将血管密集图像划分为小血管样本图和大血管样本图。
采样图像的滑动步长可以是采样图像尺寸长或宽的一半。例如采样图像大小为32*32，滑动步长为16。血管密集图像的判断标准为采样图像内血管像素点的占比率大于预期值，例如大于50%。
具体地，对含有血管的DSA图像进行采样，例如针对步骤S130中排名在后的、第二百分比数量的灰度值所对应的像素点进行采样，即对后90%的像素点集进行采样。采样方式例如从左上角按照从左到右从上到下的方式进行滑窗，滑窗大小为采样patch大小32*32，滑动步长为16，滑动后先判定采样图像内包含的像素点集内像素点的个数占比，如果大于50%，则保留。对于保留的采样图像，再分析采样图像内像素点集内像素点的坐标离散程度，若离散程度相对高，则判定为小血管样本图，若离散程度相对低，则判定为大血管样本图。小血管样本图和大血管样本图依据血管密集图像中血管像素点的离散度划分。大血管样本图是指采样图像中所包含的血管，是由单根或少数根相对粗壮的血管分支组成；小血管样本图是指采样图像中所包含的血管由多根相对细小的血管分支组成。相对高低的判断标准，可由操作者设置或通过有限次实验测试获得。
（2）基于GAN的分patch样本重构，对应步骤S310～步骤S320。
步骤S310，根据典型角度造影中不同尺寸血管的相对位置关系，对各血管密集图像进行铺列组合，用于形成样本图像。
本领域技术人员可知，典型角度造影中，大血管分布在中间和中下部位，中动脉区域也分布有一些大血管，中动脉附近存在大量的小血管，整体形成不同尺寸血管的相对位置关系。因此在形成样本图像时，可在大血管分布的位置相应地铺列大血管样本图，在小血管分布的位置相应地铺列小血管样本图。
本实施例中的样本图像是铺列组合形成的，不同的标注数据可通过排列组合形成不同的样本图像，标注数据包括大血管样本图、小血管样本图、以及下文负样本图。在同样数量的标注数据下，本实施例可提供更多的训练样本，可以大大降低标注成本需求数量以及数据采集难度。相比于一般的深度神经网络训练，所需的标注数据量需求比较小，能够利用更少的标注数据更好地提取复杂影像的颅内血管。
步骤S320，对不含血管的DSA图像进行采样，筛选获得含有噪声分布区域的负样本图，负样本图用于补充铺列、以形成样本图像。负样本图可以和血管密集图像的大小相同，以便于铺列形成样本图像，例如二者均为32*32像素。
在步骤S320中，筛选获得含有噪声分布区域的负样本图，具体包括：步骤S321，基于不含血管的DSA图像，对所有像素点的灰度值进行由大到小的排布分析，获得灰度值排名在后的、10%数量的像素点，作为待选位置；步骤S322，在待选位置中，选择负样本像素点，进而获得以负样本像素点为中心的负样本图。
本实施例通过负样本提高训练完成的深度神经网络的抗噪声和干扰能力，从而极大地减弱无关区域的噪声影响，对主要血管及细小分支都有较好的分割效果。
本实施例所指的是噪声是指在深度神经网络分割血管区域时，容易对深度神经网络产生干扰的区域。可以理解，对于不含血管的DSA图像，其像素值较低的区域，更加邻近于血管部分的像素值，该区域即作为噪声分布区域的至少一部分。本实施例将噪声分布区域作为负样本，使得深度神经网络在训练过程中能够具有识别噪声分布区域的能力，降低误分割的可能性。
具体地，噪声分布区域包括：灰度值最高的前10%，中间区域的10%，最低的后10%共三部分。在三部分的像素点集合中随机选取10个像素点，以像素点为中心进行采样，采样的patch大小为32*32，采出的样本归类为负样本。
本实施例中，为了充分的保留血管树的总体信息，利用分patch样本进行随机组合来构建新样本图像。样本图像尺寸例如可以是为512*512，需要由256个32*32的分patch样本组成。
首先，按照颅内血管造影的通常情况，以典型角度造影为例，大血管分布在中间和中下部位，对给定区间内从中间向下填充大血管分patch样本（填充大血管样本图），这些分patch样本随机选自于不同的影像序列。对于中动脉区域，也需要向两侧填充一定数量的大血管分patch样本。其次，中动脉附近存在大量的小血管样本，需要用小血管分patch样本（小血管样本图）来填充。最后，剩余区域用负样本进行填充。
进一步地，本实施例中的深度神经网络为生成对抗网络（GenerativeAdversarial Network，GAN），生成对抗网络用于对样本图像进行相似性判别和重构，通过相似性判别的样本图像用于制作输入数据集。生成对抗网络可用于提高样本图像的可靠性。
由于上述构造的样本图像会和真实的病例有一定的差距，因此通过GAN网络将这些构造样本与真实病例进行相似性判别和重构，最终生成满足需求的类真实样本。
（3）包含离散度分析的分支监督，对应步骤S400～步骤S600。
步骤S400，在样本图像中获得每个像素点的离散度信息，离散度信息用于表示预定区域内血管像素值的离散程度。
步骤S400，具体包括：步骤S410，针对每个像素点，获得以该像素点为中心的第一区域；步骤S420，在各第一区域中，筛选获得包含血管像素点的第二区域；步骤S430，将第二区域中血管像素点的离散度信息，作为该像素点的离散度信息。可以理解，在各第一区域，不含血管像素点的区域，无须计算离散度信息。第一区域的大小例如可以是32*32像素。
进一步地，步骤S420，在各第一区域中，筛选获得包含血管像素点的第二区域，具体包括步骤S421～步骤S424。步骤S421～步骤S424的判定原则，与步骤S100及其子步骤的判定原则基本相同。
步骤S421，基于各第一区域内的图像，统计图像中全部像素点的灰度值，对灰度值进行由大到小的排布分析；步骤S422，获得灰度值排名在前的、第一百分比数量的灰度值均值；步骤S423，获得灰度值排名在后的、第二百分比数量的灰度值中位数值，第二百分比与第一百分比的加和为一；步骤S424，将灰度值均值和灰度值中位数值做差，若差值大于给定阈值，则判定该第一区域内的图像含有血管像素点，筛选获得包含血管像素点的第二区域。
步骤S500，将样本图像、以及样本图像中每个像素点对应的离散度信息，结合制作为输入数据集，输入数据集用于训练深度神经网络。
本实施例中用于训练深度神经网络的输入数据集，不仅包括样本图像，还包括离散度信息，能够使深度神经网络在降采样过程中额外的关注离散程度高的样本，进而提高深度神经网络的分割精度。
本实施例利用上述的样本图像进行深度学习网络训练，网络结构设计采用常见的UNet架构。并对细小分支处理做了额外的设计，在深度学习网络的层中在通道信息中融合了坐标信息的离散度，该数值表示附近第二区域内（32*32大小）范围内有效像素值（血管像素点的像素值）的离散程度，有效像素值的定义与判断每帧DSA图像是否存在血管的判定准则相同，可用于在降采样过程中额外的关注离散程度高的样本。
步骤S600，根据样本图像中每个像素点的离散度信息，分区计算损失函数。具体包括：步骤S610，获得样本图像中每个像素点对应的离散度信息，获得统计区间；步骤S620，根据离散度信息的分布，将统计区间按划分为若干个子区间；步骤S630，针对每个子区间，分别计算深度神经网络的损失函数，以进行深度神经网络的训练。
本实施例中，样本图像由于每个像素点都具有一个离散度信息，则样本图像的不同像素点整体形成离散度信息的渐变。本实施例通过对不同离散度信息进行子区间划分，并分别针对不同的的子区间，分区计算损失函数，能够使得深度神经网络能够关注到细小血管。同时，也能够进一步提高抗噪声和干扰能力，对主要血管及细小分支都有较好的分割效果。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种基于深度神经网络的颅内血管树分割装置，可采用计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度神经网络的颅内血管树分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
基于深度神经网络的颅内血管树分割方法，包括利用训练完成的深度神经网络从输入的DSA影像中分割出颅内血管树，训练过程包括：
对含有血管的DSA图像进行采样，从采样图像中筛选获得血管密集图像，将血管密集图像划分为小血管样本图和大血管样本图；
根据典型角度造影中不同尺寸血管的相对位置关系，对各血管密集图像进行铺列组合，用于形成样本图像；
在样本图像中获得每个像素点的离散度信息，离散度信息用于表示预定区域内血管像素值的离散程度；
将样本图像、以及样本图像中每个像素点对应的离散度信息，结合制作为输入数据集，输入数据集用于训练深度神经网络。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
基于深度神经网络的颅内血管树分割方法，包括利用训练完成的深度神经网络从输入的DSA影像中分割出颅内血管树，训练过程包括：
对含有血管的DSA图像进行采样，从采样图像中筛选获得血管密集图像，将血管密集图像划分为小血管样本图和大血管样本图；
根据典型角度造影中不同尺寸血管的相对位置关系，对各血管密集图像进行铺列组合，用于形成样本图像；
在样本图像中获得每个像素点的离散度信息，离散度信息用于表示预定区域内血管像素值的离散程度；
将样本图像、以及样本图像中每个像素点对应的离散度信息，结合制作为输入数据集，输入数据集用于训练深度神经网络。
在一个实施例中，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现以下步骤：
基于深度神经网络的颅内血管树分割方法，包括利用训练完成的深度神经网络从输入的DSA影像中分割出颅内血管树，训练过程包括：
对含有血管的DSA图像进行采样，从采样图像中筛选获得血管密集图像，将血管密集图像划分为小血管样本图和大血管样本图；
根据典型角度造影中不同尺寸血管的相对位置关系，对各血管密集图像进行铺列组合，用于形成样本图像；
在样本图像中获得每个像素点的离散度信息，离散度信息用于表示预定区域内血管像素值的离散程度；
将样本图像、以及样本图像中每个像素点对应的离散度信息，结合制作为输入数据集，输入数据集用于训练深度神经网络。
本实施例中，计算机程序产品包括程序代码部分，以用于当计算机程序产品由一个或多个计算装置执行时，执行本申请各实施例中基于深度神经网络的颅内血管树分割方法的步骤。计算机程序产品可被存储在计算机可读记录介质上。还可经由数据网络（例如，通过RAN、经由因特网和/或通过RBS）提供计算机程序产品以便下载。备选地或附加地，该方法可被编码在现场可编程门阵列（FPGA）和/或专用集成电路（ASIC）中，或者功能性可借助于硬件描述语言被提供以便下载。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于深度神经网络的颅内血管树分割方法，其特征在于，包括利用训练完成的深度神经网络从输入的DSA影像中分割出颅内血管树，训练过程包括：
对含有血管的DSA图像进行采样，从采样图像中筛选获得血管密集图像，将所述血管密集图像划分为小血管样本图和大血管样本图；
根据典型角度造影中不同尺寸血管的相对位置关系，对各所述血管密集图像进行铺列组合，用于形成样本图像；
在所述样本图像中获得每个像素点的离散度信息，所述离散度信息用于表示预定区域内血管像素值的离散程度；
将所述样本图像、以及所述样本图像中每个像素点对应的所述离散度信息，结合制作为输入数据集，所述输入数据集用于训练所述深度神经网络。
2.如权利要求1所述的颅内血管树分割方法，其特征在于，所述采样图像的滑动步长，为所述采样图像尺寸长或宽的一半；
颅内血管树分割方法包括：对不含血管的DSA图像进行采样，筛选获得含有噪声分布区域的负样本图，所述负样本图用于补充铺列、以形成所述样本图像。
3.如权利要求2所述的颅内血管树分割方法，其特征在于，筛选获得含有噪声分布区域的负样本图，具体包括：
基于不含血管的DSA图像，对所有像素点的灰度值进行由大到小的排布分析，获得灰度值排名在后的、10%数量的像素点，作为待选位置；
在所述待选位置中，选择负样本像素点，进而获得以所述负样本像素点为中心的负样本图。
4.如权利要求1所述的颅内血管树分割方法，其特征在于，所述颅内血管树分割方法包括将DSA序列帧图像划分为含有血管的DSA图像、以及不含血管的DSA图像，具体包括：
基于DSA序列帧图像中的每帧DSA图像，统计整幅图像中全部像素点的灰度值，对灰度值进行由大到小的排布分析；
获得灰度值排名在前的、第一百分比数量的灰度值均值；
获得灰度值排名在后的、第二百分比数量的灰度值中位数值，所述第二百分比与第一百分比的加和为一；
将所述灰度值均值和所述灰度值中位数值做差，若差值大于给定阈值，则判定该帧DSA图像为含有血管的DSA图像，若差值小于或等于给定阈值，则判定该帧DSA图像为不含血管的DSA图像。
5.如权利要求4所述的颅内血管树分割方法，其特征在于，所述采样图像大小为32*32，所述血管密集图像的判断标准为采样图像内血管像素点的占比率大于预期值，所述小血管样本图和大血管样本图依据所述血管密集图像中血管像素点的离散度划分；
所述第一百分比为10%，所述第二百分比为90%。
6.如权利要求1所述的颅内血管树分割方法，其特征在于，在所述样本图像中获得每个像素点的离散度信息，所述离散度信息用于表示预定区域内血管像素值的离散程度，具体包括：
针对每个像素点，获得以该像素点为中心的第一区域；
在各所述第一区域中，筛选获得包含血管像素点的第二区域；
将所述第二区域中血管像素点的离散度信息，作为该像素点的离散度信息。
7.如权利要求6所述的颅内血管树分割方法，其特征在于，在各所述第一区域中，筛选获得包含血管像素点的第二区域，具体包括：
基于各所述第一区域内的图像，统计图像中全部像素点的灰度值，对灰度值进行由大到小的排布分析；
获得灰度值排名在前的、第一百分比数量的灰度值均值；
获得灰度值排名在后的、第二百分比数量的灰度值中位数值，所述第二百分比与第一百分比的加和为一；
将所述灰度值均值和所述灰度值中位数值做差，若差值大于给定阈值，则判定该第一区域内的图像含有血管像素点，筛选获得包含血管像素点的第二区域。
8.如权利要求1所述的颅内血管树分割方法，其特征在于，所述深度神经网络为生成对抗网络，所述生成对抗网络用于对所述样本图像进行相似性判别和重构，通过相似性判别的样本图像用于制作输入数据集。
9.如权利要求1所述的颅内血管树分割方法，其特征在于，所述训练过程包括：
获得所述样本图像中每个像素点对应的所述离散度信息，获得统计区间；
根据所述离散度信息的分布，将所述统计区间按划分为若干个子区间；
针对每个子区间，分别计算深度神经网络的损失函数，以进行所述深度神经网络的训练。
10.基于深度神经网络的颅内血管树分割装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如权利要求1～9任一项基于深度神经网络的颅内血管树分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310969770.6A CN116703948B (zh) | 2023-08-03 | 2023-08-03 | 基于深度神经网络的颅内血管树分割方法和分割装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310969770.6A CN116703948B (zh) | 2023-08-03 | 2023-08-03 | 基于深度神经网络的颅内血管树分割方法和分割装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703948A true CN116703948A (zh) | 2023-09-05 |
| CN116703948B CN116703948B (zh) | 2023-11-14 |
Family
ID=87841838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310969770.6A Active CN116703948B (zh) | 2023-08-03 | 2023-08-03 | 基于深度神经网络的颅内血管树分割方法和分割装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703948B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109377504A (zh) * | 2018-10-26 | 2019-02-22 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
| CN111524205A (zh) * | 2020-04-23 | 2020-08-11 | 北京信息科技大学 | 基于循环生成对抗网络的图像着色处理方法及装置 |
| CN112598619A (zh) * | 2020-11-23 | 2021-04-02 | 西安科锐盛创新科技有限公司 | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 |
| CN112614145A (zh) * | 2020-12-31 | 2021-04-06 | 湘潭大学 | 一种基于深度学习的颅内出血ct图像分割方法 |
| CN113205537A (zh) * | 2021-05-17 | 2021-08-03 | 广州大学 | 基于深度学习的血管图像分割方法、装置、设备及介质 |
| WO2022007352A1 (zh) * | 2020-07-10 | 2022-01-13 | 温州医科大学 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
| CN115439651A (zh) * | 2022-08-18 | 2022-12-06 | 哈尔滨工程大学 | 一种基于空间多尺度注意网络的dsa脑血管分割系统及方法 |
| CN115514962A (zh) * | 2022-11-22 | 2022-12-23 | 深圳市亿康医疗技术有限公司 | 一种心血管造影图像的图像压缩方法 |
| CN116051826A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 基于dsa影像连续帧序列的冠脉血管分割方法、计算机设备和可读存储介质 |
| WO2023109658A1 (zh) * | 2021-12-18 | 2023-06-22 | 深圳先进技术研究院 | 一种用于血管壁影像分割的自定义卷积路径方法 |
| WO2023130663A1 (zh) * | 2022-01-07 | 2023-07-13 | 乐普（北京）医疗器械股份有限公司 | 基于血管造影视频进行冠脉造影定量分析的方法和装置 |
| CN116485820A (zh) * | 2023-06-21 | 2023-07-25 | 杭州堃博生物科技有限公司 | 动静脉图像提取方法、装置及非易失性存储介质 |
-
2023
- 2023-08-03 CN CN202310969770.6A patent/CN116703948B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109377504A (zh) * | 2018-10-26 | 2019-02-22 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
| CN111524205A (zh) * | 2020-04-23 | 2020-08-11 | 北京信息科技大学 | 基于循环生成对抗网络的图像着色处理方法及装置 |
| WO2022007352A1 (zh) * | 2020-07-10 | 2022-01-13 | 温州医科大学 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
| CN112598619A (zh) * | 2020-11-23 | 2021-04-02 | 西安科锐盛创新科技有限公司 | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 |
| CN112614145A (zh) * | 2020-12-31 | 2021-04-06 | 湘潭大学 | 一种基于深度学习的颅内出血ct图像分割方法 |
| CN113205537A (zh) * | 2021-05-17 | 2021-08-03 | 广州大学 | 基于深度学习的血管图像分割方法、装置、设备及介质 |
| WO2023109658A1 (zh) * | 2021-12-18 | 2023-06-22 | 深圳先进技术研究院 | 一种用于血管壁影像分割的自定义卷积路径方法 |
| WO2023130663A1 (zh) * | 2022-01-07 | 2023-07-13 | 乐普（北京）医疗器械股份有限公司 | 基于血管造影视频进行冠脉造影定量分析的方法和装置 |
| CN115439651A (zh) * | 2022-08-18 | 2022-12-06 | 哈尔滨工程大学 | 一种基于空间多尺度注意网络的dsa脑血管分割系统及方法 |
| CN115514962A (zh) * | 2022-11-22 | 2022-12-23 | 深圳市亿康医疗技术有限公司 | 一种心血管造影图像的图像压缩方法 |
| CN116051826A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 基于dsa影像连续帧序列的冠脉血管分割方法、计算机设备和可读存储介质 |
| CN116485820A (zh) * | 2023-06-21 | 2023-07-25 | 杭州堃博生物科技有限公司 | 动静脉图像提取方法、装置及非易失性存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| "基于U-Net的医学影像分割技术研究", 《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》 * |
| GOLLA, ALENA-KATHRIN.ET: "Convolutional Neural Network Ensemble Segmentation With Ratio-Based Sampling for the Arteries and Veins in Abdominal CT Scans", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
| 肖若秀;杨健;刘越;王涌天;: "应用于造影图像的血管中心线全自动提取方法", 计算机辅助设计与图形学学报, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703948B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kleesiek et al. | Can virtual contrast enhancement in brain MRI replace gadolinium?: a feasibility study | |
| JP6636678B2 (ja) | 画像内物体の注釈付けの学習 | |
| CN108369642A (zh) | 根据头部计算机断层摄影解释和量化急症特征 | |
| US11302008B2 (en) | Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3D images | |
| CN110858399B (zh) | 用于提供虚拟断层扫描中风后续检查图像的方法和装置 | |
| JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
| Gonzalez-Castro et al. | Reliability of an automatic classifier for brain enlarged perivascular spaces burden and comparison with human performance | |
| US11763454B2 (en) | Processing a medical image | |
| RU2752690C2 (ru) | Обнаружение изменений на медицинских изображениях | |
| CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| US20210142480A1 (en) | Data processing method and apparatus | |
| CN113065551A (zh) | 利用深度神经网络模型执行图像分割的方法 | |
| US8306354B2 (en) | Image processing apparatus, method, and program | |
| Ding et al. | An improved algorithm of white matter hyperintensity detection in elderly adults | |
| CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
| Sahoo et al. | Automatic identification of early ischemic lesions on non-contrast CT with deep learning approach | |
| Cho et al. | Affinity graph based end-to-end deep convolutional networks for ct hemorrhage segmentation | |
| CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
| CN116433695B (zh) | 一种乳腺钼靶图像的乳腺区域提取方法及系统 | |
| CN116703948B (zh) | 基于深度神经网络的颅内血管树分割方法和分割装置 | |
| Street et al. | Predicting vasospasm risk using first presentation aneurysmal subarachnoid hemorrhage volume: A semi-automated CT image segmentation analysis using ITK-SNAP | |
| CN110610527B (zh) | 计算suv的方法、装置、设备、系统及计算机存储介质 | |
| Maulana et al. | Robustness of probabilistic u-net for automated segmentation of white matter hyperintensities in different datasets of brain mri | |
| CN116664564B (zh) | 基于颅内医学影像获取血流量的方法和装置 | |
| Mohapatra et al. | Localization of early infarction on non-contrast CT images in acute ischemic stroke with deep learning approach |
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 |