[發明專利]一種基于結構特征優化的頸動脈級聯學習分割方法

有效

• 申請號: 202010040605.9
• 申請日: 2020-01-15
• 公開（公告）號: CN111242958B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 汪曉妍;祝騁路;黃曉潔;顧政;夏明;毛立朝;袁逸雯;陳勝勇
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于結構特征優化的頸動脈級聯學習分割方法，包括以下步驟：步驟1、通過初始分割模型獲得預分割S；步驟2、基于分割子區域的距離來優化分割；步驟3、基于中心線端點距離來優化分割；步驟4、基于血管方向和中心線端點向量夾角來優化分割；基于局部語義分割模型的頸動脈預分割、基于全局語義分割模型的頸動脈預分割、融合模型的頸動脈預分割進行處理后，得到優化后的三個分割結果(P’、G’、C’)；步驟5、利用優化后的分割訓練新的分割模型：最后利用優化后的預分割結果，結合初始圖像進行級聯分割模型的訓練。本發明利用計算機圖像處理技術對醫學圖像進行處理，能夠更加直觀地反映病人的具體生理情況。

技術領域

本發明屬于醫學圖像處理領域以及人工智能技術領域，涉及一種頸動脈級聯學習分割方法。

背景技術

目前在人工智能技術領域中，對于頸動脈圖像的分割，主要有以下：

1)基于主動輪廓模型的自動分割：該方法屬于半自動的分割方法，用運動的參數輪廓去擬合目標邊界，輪廓的演化靠多次迭代，以優化能量函數來實現，而能量函數的構造涉及手工調試模型參數，一般為輪廓的外力(圖像梯度)，輪廓內力(形狀先驗)等，此外，實現具體位置的分割還需要進行手工設置初始輪廓位置和大小。

2)基于機器學習的分割：該方法可以分為有監督機器學習和無監督機器學習兩種類型，有監督的方法有SVM(支持向量機)和隨機森林等方法，通過學習圖像每個像素對應的人工標注來建立模型；無監督的方法典型的是基于混合高斯模型的方法，對數據集的分布進行建模，從而對像素分類。以上方法中，除了在訓練時需要調試超參數之外，模型還需要手工選取多種特征來實現較好的分割效果。

3)基于深度學習的語義分割：該方法是目前比較流行的一種有監督的機器學習方法，一般有比較高的準確率，但是他需要依靠大量的數據集，并且需要花費巨大的訓練代價(硬件、存儲空間、訓練時間)來實現，是一種端到端的方法，即用戶輸入一個圖像，不需要用戶其他操作就可以獲得一個分割結果。

雖然目前技術能夠基本實現大致上的頸動脈分割，但是還存在一些分割不完整或者過渡分割的區域。例如在頸動脈MRI圖像中帶斑塊的情況(頸動脈粥樣硬化)，其內腔嚴重狹窄，還有頸動脈分支的上側可能存在多個小分支，從而加大了分割的難度，現有方法容易在這些位置欠分割。此外，在頸動脈周圍存在一些與頸動脈相似的動脈血管，這些并不是在分析動脈斑塊粥樣硬化病癥的目標，但是現有技術容易將這些部分作為頸動脈分割的內容，造成過度分割。

發明內容

為了克服已有技術的不足，本發明提供了一種基于結構特征優化的頸動脈級聯學習分割方法，利用計算機圖像處理技術對醫學圖像進行處理，能夠更加直觀地反映病人的具體生理情況，幫助醫生分析與診斷病情，術前方案規劃及術后評估。對于頸動脈粥樣硬化(頸動脈斑塊)這樣病癥來說，利用醫學圖像處理技術對其進行精確的分割，能夠輔助醫生工作，而本發明也提供了更加精確結果和更直觀的應用方式，進一步提高了醫生的工作效率。

本發明解決其技術問題所采用的技術方案是：

一種基于結構特征優化的頸動脈級聯學習分割方法，包括以下步驟：

步驟1、通過初始分割模型獲得預分割S:通過頸動脈分割方法獲得預分割的三維二值圖像；

步驟2、基于分割子區域的距離來優化分割，過程如下：

步驟2.1：對預分割S提取其區域范圍信息，優化分各個結果，將n個分割區域分為最大區域R_max和待判定區域R_i(i＝1,...,n-1)；

步驟2.2：定義在S中根據8連通規則可統計所有的區域的點集R_i，其中包含體素個數最多的最大區域的點集R_m，通過計算其他區域點集與最大區域點集的歐氏距離(二范數)，以最小的歐式距離代表區域間的距離：