[發(fā)明專利]造影圖像中血管分割的方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201810019388.8
• 申請日: 2018-01-09
• 公開（公告）號: CN108198184B
• 公開（公告）日: 2020-05-05
• 發(fā)明（設(shè)計）人: 楊健;艾丹妮;楊思遠;王涌天;叢偉建;蔣玉蓉
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/30
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王瑩;吳歡燕

1.一種造影圖像中血管分割的方法，其特征在于，包括：

獲取待分割的盈片圖像與蒙片圖像，將所述盈片圖像中的每個像素坐標(biāo)作為基準(zhǔn)坐標(biāo)，從所述蒙片圖像中選取一個與該基準(zhǔn)坐標(biāo)匹配的像素坐標(biāo)，作為對比坐標(biāo)；

以每個基準(zhǔn)坐標(biāo)和匹配的對比坐標(biāo)為中心，分別在所述盈片圖像和蒙片圖像中提取相同大小的子圖像，構(gòu)成一個圖像對；將所有圖像對輸入至雙通道卷積神經(jīng)網(wǎng)絡(luò)，輸出第一血管分割圖像；

從經(jīng)過圖像膨脹處理后的第一血管分割圖像中選擇目標(biāo)區(qū)域，逐個提取以所述目標(biāo)區(qū)域中的每個像素坐標(biāo)為中心的子圖像，作為參考圖像，根據(jù)預(yù)設(shè)規(guī)則對每個參考圖像提取多個不同尺度的圖像，將所有不同尺度的圖像輸入至多尺度卷積神經(jīng)網(wǎng)絡(luò)，輸出第二血管分割圖像，對所述第二血管分割圖像進行顯示。

2.如權(quán)利要求1所述的方法，其特征在于，所述雙通道卷積神經(jīng)網(wǎng)絡(luò)包括兩個卷積通道；

相應(yīng)地，所述將所有圖像對輸入至雙通道卷積神經(jīng)網(wǎng)絡(luò)的步驟，具體包括：

對任意一個圖像對，將該圖像對中盈片圖像的子圖像輸入至其中一個卷積通道，將蒙片圖像的子圖像輸入至另一個卷積通道。

3.如權(quán)利要求1所述的方法，其特征在于，所述多尺度卷積神經(jīng)網(wǎng)絡(luò)中卷積通道的個數(shù)與所述尺度的個數(shù)匹配；

相應(yīng)地，所述將所有不同尺度的圖像輸入至多尺度卷積神經(jīng)網(wǎng)絡(luò)的步驟，具體包括：將每個參考圖像提取出的不同尺度的圖像分別輸入至相應(yīng)的卷積通道中。

4.如權(quán)利要求1所述的方法，其特征在于，所述雙通道卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法包括：

獲取用于訓(xùn)練的所有圖像對，構(gòu)成訓(xùn)練圖像對集合，對所述訓(xùn)練圖像對集合中的任意一個圖像對進行判斷，若該圖像對中盈片圖像的子圖像中心位于血管區(qū)域，則將該圖像對作為雙通道卷積神經(jīng)網(wǎng)絡(luò)的正樣本；若該圖像對中盈片圖像的子圖像中心位于背景區(qū)域，則將該圖像對作為雙通道卷積神經(jīng)網(wǎng)絡(luò)的負樣本；

初始化所述雙通道卷積神經(jīng)網(wǎng)絡(luò)，以手動分割的血管圖像作為標(biāo)準(zhǔn)，結(jié)合所有雙通道卷積神經(jīng)網(wǎng)絡(luò)的正樣本和負樣本構(gòu)成訓(xùn)練集，采用所述訓(xùn)練集訓(xùn)練雙通道卷積神經(jīng)網(wǎng)絡(luò)。

5.如權(quán)利要求4所述的方法，其特征在于，所述多尺度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法包括：

獲取用于訓(xùn)練的第一血管分割圖像，對所述用于訓(xùn)練的第一血管分割圖像進行圖像膨脹操作，將圖像膨脹前的區(qū)域作為原始區(qū)域，將圖像膨脹產(chǎn)生的新區(qū)域作為判斷區(qū)域；

若用于訓(xùn)練的盈片圖像的子圖像中心位于所述原始區(qū)域，則將該子圖像作為多尺度卷積神經(jīng)網(wǎng)絡(luò)的正樣本，若用于訓(xùn)練的盈片圖像的子圖像中心位于所述判斷區(qū)域，則將該子圖像作為多尺度卷積神經(jīng)網(wǎng)絡(luò)的負樣本；

初始化所述多尺度卷積神經(jīng)網(wǎng)絡(luò)，以手動分割的血管圖像作為標(biāo)準(zhǔn)，結(jié)合所有多尺度卷積神經(jīng)網(wǎng)絡(luò)的正樣本和負樣本構(gòu)成訓(xùn)練集，采用所述訓(xùn)練集訓(xùn)練多尺度卷積神經(jīng)網(wǎng)絡(luò)。

6.如權(quán)利要求1-5任意一項所述的方法，其特征在于，所述雙通道卷積神經(jīng)網(wǎng)絡(luò)中的每個卷積通道包含6個卷積層和3個最大池化層，所有卷積層的卷積核大小均為3×3；

所述雙通道卷積神經(jīng)網(wǎng)絡(luò)還包括1個全連接通道，所述全連接通道包含2個全連接層，第1個全連接層包含1024個神經(jīng)元，第2個全連接層包含2個神經(jīng)元；

其中，所述第1個全連接層和所有卷積層采用ReLU作為激活函數(shù)，所述第2個全連接層采用Softmax作為激活函數(shù)。

7.如權(quán)利要求1-5任意一項所述的方法，其特征在于，所述多尺度卷積神經(jīng)網(wǎng)絡(luò)中的每個卷積通道包含5個卷積層和1個最大池化層，所有卷積層卷積核大小均為3×3；

所述多尺度卷積神經(jīng)網(wǎng)絡(luò)還包括1個全連接通道，所述全連接通道包含2個全連接層，第1個全連接層包含1024個神經(jīng)元，第2個全連接層包含2個神經(jīng)元；

其中，所述第1個全連接層和所有卷積層采用ReLU作為激活函數(shù)，所述第2個全連接層采用Softmax作為激活函數(shù)。