[發(fā)明專利]一種基于深度序列信息融合的冠脈造影圖像分割方法

有效

• 申請?zhí)枺?/td>: 202110559573.8
• 申請日: 2021-05-21
• 公開（公告）號: CN113592766B
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計(jì)）人: 陳陽;高雨楓;周壽軍
• 申請（專利權(quán)）人: 東南大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 杜靜靜

本發(fā)明涉及一種基于深度序列信息融合的冠脈造影圖像分割方法，該方法的主要創(chuàng)新點(diǎn)是以一個X型的網(wǎng)絡(luò)結(jié)構(gòu)(XNet)融合了待分割圖像輸入與其對應(yīng)的序列數(shù)據(jù)輸入，從序列數(shù)據(jù)輸入中抽取有效信息來減少噪聲、造影劑分布不均等造影圖像常常包含的問題帶來的影響，以盡量提高分割圖像效果。該網(wǎng)絡(luò)結(jié)構(gòu)模型主要包含兩個U型網(wǎng)絡(luò)，其中一個U型網(wǎng)絡(luò)包含3D編碼模塊和2D解碼模塊，用于抽取序列數(shù)據(jù)中的有效特征信息，另一個U型網(wǎng)絡(luò)包含2D編碼模塊和2D解碼模塊，用于針對性地進(jìn)行分割圖像的特征提取。這兩個網(wǎng)絡(luò)通過一個特征混合模塊相連，用于將序列網(wǎng)絡(luò)抽取得到的特征強(qiáng)化分割網(wǎng)絡(luò)的前向特征傳遞。

技術(shù)領(lǐng)域

本發(fā)明涉及一種分割方法，具體涉及一種基于深度序列信息融合的冠脈造影圖像分割方法，屬于圖像分割技術(shù)領(lǐng)域。

背景技術(shù)

人工智能在近幾年內(nèi)已經(jīng)成為計(jì)算機(jī)科學(xué)領(lǐng)域中的重要研究方向，其成為了智能時代發(fā)展的一項(xiàng)核心技術(shù)。深度學(xué)習(xí)作為人工智能領(lǐng)域的一個重要研究成果，使得機(jī)器視覺研究領(lǐng)域得到了重大的突破。在2012年ImageNet競賽中，有隊(duì)伍使用神經(jīng)網(wǎng)絡(luò)將分類的最優(yōu)結(jié)果提升了11％，并一舉奪得當(dāng)年ImageNet競賽的冠軍，深度神經(jīng)網(wǎng)絡(luò)從此走進(jìn)了領(lǐng)域?qū)W者們的視野內(nèi)。

在深度學(xué)習(xí)技術(shù)出現(xiàn)之前，機(jī)器視覺的算法中一個難以避免的問題便是如何將圖像中的可用特征提取出來，而人工提出特征往往會導(dǎo)致算法的局限性，主要體現(xiàn)為兩方面：人工特征的提取往往依賴于專業(yè)經(jīng)驗(yàn)，從而導(dǎo)致特征提取不全或者提取的特征有效性較差；人工的特征融合的方式有限，使得提取到的特征信息無法得到有效地利用。而深度學(xué)習(xí)的算法可以在大量的訓(xùn)練過程中自主學(xué)習(xí)如何提取特征、提取何種特征，并將多個特征進(jìn)行融合得到最后的預(yù)測結(jié)果，這就是深度學(xué)習(xí)能夠在機(jī)器視覺領(lǐng)域大放異彩的一個原因。

在傳統(tǒng)的機(jī)器視覺算法中圖像分割是最具有挑戰(zhàn)的任務(wù)，由于圖像分割算法往往根據(jù)針對數(shù)據(jù)的不同而呈現(xiàn)不同的特征表現(xiàn)，在這種情況下，人工設(shè)計(jì)特征尤其困難，并且由于人工特征設(shè)計(jì)不夠全面則導(dǎo)致欠分割或者過分割的情況。目前在深度學(xué)習(xí)技術(shù)的支持下，像素級的語義分割可以很好的應(yīng)用到圖像分割任務(wù)之上，在大數(shù)據(jù)的支撐下可以使得分割的結(jié)果達(dá)到一個令人滿意的程度。

冠脈造影圖像(Digital subtraction angiography，簡稱DSA)是用于臨床分析血管疾病的金標(biāo)準(zhǔn)。其基本原理是將注入造影劑前后拍攝的兩幀X線圖像經(jīng)數(shù)字化輸入圖像計(jì)算機(jī)，通過減影、增強(qiáng)和再成像過程把血管造影影像上的骨與軟組織影像消除來獲得清晰的純血管影像。冠脈造影圖像可以在心血管診斷及手術(shù)中為醫(yī)生提供有效的信息，對于冠脈造影圖像的分割的目標(biāo)即是將造影劑充盈狀態(tài)下的血管與背景區(qū)分開來，得到較為清晰的血管二值圖像，有利于后續(xù)診斷或手術(shù)能夠能加順利地進(jìn)行。結(jié)合深度學(xué)習(xí)方法的發(fā)展與冠脈造影圖像的應(yīng)用，可以通過設(shè)計(jì)深度學(xué)習(xí)模型結(jié)合手工標(biāo)注數(shù)據(jù)訓(xùn)練訓(xùn)練模型以實(shí)現(xiàn)冠脈造影圖像的分割。

發(fā)明內(nèi)容

本發(fā)明正是針對現(xiàn)有技術(shù)中存在的問題，提供一種基于深度序列信息融合的冠脈造影圖像分割方法，該技術(shù)方案使用深度學(xué)習(xí)方法以及提出的X型網(wǎng)絡(luò)模型對冠脈造影圖像進(jìn)行血管分割，提高了分割的精準(zhǔn)度。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下，一種基于深度序列信息融合的冠脈造影圖像分割方法，所述方法包括以下步驟：

步驟1：獲得冠脈血管造影圖像序列；

步驟2：選取序列中某一幀為分割幀，即分割模型的目標(biāo)是獲得該幀對應(yīng)的血管二值圖像；

步驟3：對于序列中的所有圖像進(jìn)行灰度歸一化；

步驟4：以分割幀為固定圖像，對序列中的其他圖像進(jìn)行配準(zhǔn)；

步驟5：對于標(biāo)簽進(jìn)行處理，將前景血管像素標(biāo)記為1，將背景像素標(biāo)記為0；

步驟6：在圖像序列中挑選與分割幀絕對平方誤差最小的32張圖像，并以原始序列中的順序?qū)⑦@多張圖像數(shù)據(jù)以通道合并的方式組成一個多通道張量；