[發明專利]一種顱內動脈分割方法及系統

有效

• 申請號: 202110665097.8
• 申請日: 2021-06-16
• 公開（公告）號: CN113313728B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 李子孝;王擁軍;劉濤;張栗源;程健;劉子陽;朱萬琳;荊京;張喆
• 申請（專利權）人: 首都醫科大學附屬北京天壇醫院
• 主分類號: G06T7/136
• 分類號: G06T7/136;G06T7/11;G06T17/00;G16H30/20;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

1.一種顱內動脈分割方法，其特征在于，包括：

獲取待分割的三維時間飛躍磁共振血管圖像；

將所述待分割的三維時間飛躍磁共振血管圖像輸入顱內動脈分割模型得到所述待分割的三維時間飛躍磁共振血管圖像中的顱內動脈圖像；所述顱內動脈分割模型為對三維卷積神經網絡模型進行訓練得到的，所述三維卷積神經網絡模型包括依次連接的第一卷積塊模塊和第二卷積塊模塊；所述第一卷積塊模塊包括多個依次連接的空洞卷積塊，所述第二卷積塊模塊包括多個依次連接的三維卷積塊單元，所述第二卷積塊模塊包括四個依次連接的三維卷積塊單元；所述三維卷積塊單元包括依次連接的三維卷積塊和三維體素渲染神經網絡模塊；所述第一卷積塊模塊，具體包括：四個依次連接的空洞卷積塊，各所述空洞卷積塊均包括依次連接的空洞卷積層模塊和最大池化層；所述空洞卷積層模塊包括兩個依次連接的三維空洞卷積層；每個三維卷積塊的每一層均由兩個三維卷積層和一個三線性插值層構成；所述三維體素渲染神經網絡模塊由體素選擇策略、體素的特征提取以及體素的分類預測三個部分構成；

在所述將所述待分割的三維時間飛躍磁共振血管圖像輸入顱內動脈分割模型得到所述待分割的三維時間飛躍磁共振血管圖像中的顱內動脈圖像，之前還包括：

對所述三維時間飛躍磁共振血管圖像進行重采樣得到重采樣圖像；

對所述重采樣圖像進行固定閾值門限分割得到二值圖像；

對所述二值圖像進行凸包檢測得到前景掩膜圖像；

對所述前景掩膜圖像進行處理得到感興趣區域。

2.根據權利要求1所述的一種顱內動脈分割方法，其特征在于，所述顱內動脈分割模型的確定方法為：

構建三維卷積神經網絡模型；

獲取待訓練的三維時間飛躍磁共振血管圖像；

以所述待訓練的三維時間飛躍磁共振血管圖像為輸入，以所述待訓練的三維時間飛躍磁共振血管圖像中的顱內動脈圖像為輸出，采用反向傳播算法和梯度下降算法對所述三維卷積神經網絡模型進行訓練得到顱內動脈分割模型。

3.根據權利要求1所述的一種顱內動脈分割方法，其特征在于，在所述將所述待分割的三維時間飛躍磁共振血管圖像輸入顱內動脈分割模型得到所述待分割的三維時間飛躍磁共振血管圖像中的顱內動脈圖像之后還包括：

將所述待分割的三維時間飛躍磁共振血管圖像中的顱內動脈圖像輸入三維可視化模塊得到顱內動脈三維模型。

4.一種顱內動脈分割系統，其特征在于，包括：

第一獲取模塊，用于獲取待分割的三維時間飛躍磁共振血管圖像；

顱內動脈圖像確定模塊，用于將所述待分割的三維時間飛躍磁共振血管圖像輸入顱內動脈分割模型得到所述待分割的三維時間飛躍磁共振血管圖像中的顱內動脈圖像；所述顱內動脈分割模型為對三維卷積神經網絡模型進行訓練得到的，所述三維卷積神經網絡模型包括依次連接的第一卷積塊模塊和第二卷積塊模塊；所述第一卷積塊模塊包括多個依次連接的空洞卷積塊，所述第二卷積塊模塊包括多個依次連接的三維卷積塊單元，所述第二卷積塊模塊包括四個依次連接的三維卷積塊單元；所述三維卷積塊單元包括依次連接的三維卷積塊和三維體素渲染神經網絡模塊；所述顱內動脈圖像確定模塊中的第一卷積塊模塊，具體包括：四個依次連接的空洞卷積塊，各所述空洞卷積塊均包括依次連接的空洞卷積層模塊和最大池化層；所述空洞卷積層模塊包括兩個依次連接的三維空洞卷積層；每個三維卷積塊的每一層均由兩個三維卷積層和一個三線性插值層構成；所述三維體素渲染神經網絡模塊由體素選擇策略、體素的特征提取以及體素的分類預測三個部分構成；

重采樣模塊，用于對所述三維時間飛躍磁共振血管圖像進行重采樣得到重采樣圖像；

二值圖像確定模塊，用于對所述重采樣圖像進行固定閾值門限分割得到二值圖像；

前景掩膜圖像確定模塊，用于對所述二值圖像進行凸包檢測得到前景掩膜圖像；

感興趣區域確定模塊，用于對所述前景掩膜圖像進行處理得到感興趣區域。