[發明專利]一種基于深度學習的CT圖像顱內血管分割方法及系統

在審

• 申請號: 201810433128.5
• 申請日: 2018-05-08
• 公開（公告）號: CN108629784A
• 公開（公告）日: 2018-10-09
• 發明（設計）人: 呂天予
• 申請（專利權）人: 上海嘉奧信息科技發展有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 莊文莉

本發明提供了一種基于深度學習的CT圖像顱內血管分割方法及系統，包括：收集標記步驟：收集多套頭顱CTA數據并對血管位置進行標記，并分為訓練數據集、驗證數據集以及測試數據集；預處理和增廣步驟：對數據集進行預處理操作和增廣操作，預處理操作包括歸一化操作，白化操作，通過重采樣的方法把數據集的3個維度的層間距設為相同，對CT數據按既定空間窗口大小分割成小塊體數據，增廣操作包括對數據集進行旋轉、放大、縮小以及對稱變換；三維卷積神經網絡訓練步驟：按結構構建三維卷積神經網絡，按參數并采用訓練數據、驗證數據進行訓練。本發明消除了背景體素和血管體素比例差異比較大而導致訓練時類別不均衡的問題，從而提升了顱內血管分割結果的準確率。

技術領域

本發明涉及醫學圖像處理技術領域，具體地，涉及一種基于深度學習的CT圖像顱內血管分割方法及系統。

背景技術

醫學圖像中的血管分割是血管成像系統的關鍵技術，也是進行血管三維可視化，形態學測量以及計算機輔助診斷的重要步驟。隨著CT(Computed Tomography,計算機斷層掃描)，MRI(Magnetic Resonance Imaging,核磁共振成像)，這些先進的成像技術的發展和血管造影技術的進步，使用得到的血管圖像更加清晰，同時也促使了很多國內外學者在血管分割領域的研究。近些年來，很多專業學者也提出了很多方法，包括基于區域的分割方法(如直方圖閥值法，顏色聚類法和區域生長法)，基于邊緣的分割方法(如邊緣檢測法，分水嶺法)，基于特定理論模型的(如基于小波理論的分割方法，基于數學形態的分割方法和基于遺傳算法的分割方法)等等。

隨著近期深度學習領域的快速發展，深度學習和深度神經網絡在傳統計算機視覺領域取得了很大的發展，在RGB圖像的識別，定位，語義分割等任務，深度神經網絡已經能超越和接近人類的水平，因此這也促使深度學習向醫學圖像分析領域的發展。

在CT圖像的血管分割領域中，傳統的方法，不論是基于區域的還是基于邊緣的都存在不夠高的準確率，算法作用范圍很局限，對于噪聲的魯棒性不夠等等問題，而且部分算法的運算時間還很長。特別地，對于顱內的血管分割任務，這些傳統算法在部分血管與顱骨緊密相鄰的區域并沒能清晰的把血管分割出來。

而對于新興的深度學習方法，由于目前的深度學習方法在醫學圖像分析領域的普及度并不高，并沒有針對于深度學習在CT圖像的顱內血管分割任務的研究。

深度學習在醫學圖像領域還有一個局限性就是由于CT等三維醫學圖像相較于普通的二維RGB圖像，體量較大，增加出來的一個維度使得卷積網絡模型在訓練和測試中都需要很大的顯存來支持模型的運算，而目前很難找到足夠好的顯卡能支撐一整個CT數據的運算。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種基于深度學習的CT圖像顱內血管分割方法及系統。

根據本發明提供的一種基于深度學習的CT圖像顱內血管分割方法，包括：

收集標記步驟：收集多套頭顱CTA數據并對血管位置進行標記，將標記后的頭顱CTA數據分為訓練數據集、驗證數據集以及測試數據集；

預處理增廣步驟：對頭顱CTA數據進行預處理操作和增廣操作，所述預處理操作包括歸一化操作和白化操作，通過重采樣的方法把數據集的3個維度的層間距設為相同，對頭顱CTA數據按既定空間窗口大小分割成小塊體數據，所述增廣操作包括對頭顱CTA數據進行旋轉、放大、縮小以及對稱變換；

三維卷積神經網絡訓練步驟：構建三維卷積神經網絡并采用所述訓練數據集和所述驗證數據集進行訓練。

較佳的，所述增廣操作具體包括對頭顱CTA數據向左旋轉10度，向右旋轉10度，放大到1.2倍，縮小到0.8倍，上下對稱變換和左右對稱變換。

較佳的，所述三維卷積神經網絡為深度殘差卷積神經網絡，輸入端直接通過加法合并到它的輸出端，殘差連接過程表示為：