[發明專利]一種基于深度學習模型的血管分割方法及裝置

在審

• 申請號: 202211557346.2
• 申請日: 2022-12-06
• 公開（公告）號: CN115797302A
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 蘇紫昱;劉文博;曠雅唯
• 申請（專利權）人: 華科精準（北京）醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 北京中和立達知識產權代理有限公司 11756
• 代理人: 張可

1.一種基于深度學習模型的血管分割方法，其特征在于，包括：

對醫學影像進行圖像變換，得到變換影像；

以所述變換影像為樣本，以所述醫學影像為標簽，形成預訓練樣本；

根據所述預訓練樣本對深度學習模型進行預訓練；

利用正式訓練樣本對所述深度學習模型進行二次訓練，得到血管分割模型；

將待分割醫學影像輸入所述血管分割模型，得到分割后的血管影像。

2.根據權利要求1所述的基于深度學習的血管分割方法，其特征在于，所述圖像變換至少包括以下之一：線性強度變換、局部像素重組、強度反轉、外向填充、內向填充。

3.根據權利要求2所述的基于深度學習的血管分割方法，其特征在于，所述線性強度變換，按照如下公式實現：

f(x)＝kx+b；

其中，x代表某一位置像素點的強度，f(x)表示該像素點進行線性強度變換后的強度值，k為正整數，b為固定常量。

4.根據權利要求2所述的基于深度學習的血管分割方法，其特征在于，所述局部像素重組，按照如下公式實現：

其中，x代表ω中任意一個像素點的位置，L(x)表示該點進行像素重組后的目標位置，Ran表示在ω范圍內隨機變換，使用Ω代表一張醫學影像的整體區域，ω表示Ω的一個子區域(ω∈Ω)。

5.根據權利要求2所述的基于深度學習的血管分割方法，其特征在于，所述強度反轉，按照如下公式實現：

p(x)＝Max(I)-x+Min(I)；

其中，x代表圖像I中某一像素點強度，p(x)代表該點強度反轉后的強度值，Max(I)表示圖像I中最高強度值，Min(I)表示圖像I中最低強度值。

6.根據權利要求1所述的基于深度學習的血管分割方法，其特征在于，所述深度學習模型具體為包含注意力機制的U-net網絡模型。

7.根據權利要求6所述的基于深度學習的血管分割方法，其特征在于，所述包含注意力機制的U-net網絡模型包含依次連接的第一數量的下采樣層，第二數量的卷積層，第一數量的上采樣層；每一層級的下采樣層通過跳接結構連接至同層級的上采樣層，每一跳接結構上還設置有注意力模塊。

8.根據權利要求7所述的基于深度學習的血管分割方法，其特征在于，所述將待分割醫學影像輸入所述血管分割模型之前，還包括：

至少采用以下方式之一對所述待分割醫學影像進行數據增強：灰度尺度縮放、旋轉、反轉、平移。

9.一種基于深度學習模型的血管分割裝置，其特征在于，包括：

變換模塊，用于對醫學影像進行圖像變換，得到變換影像；

樣本模塊，用于以所述變換影像為樣本，以所述醫學影像為標簽，形成預訓練樣本；

預訓練模塊，用于根據所述預訓練樣本對深度學習模型進行預訓練；

訓練模塊，用于利用正式訓練樣本對深度學習模型進行二次訓練，得到血管分割模型；

分割模塊，用于將待分割圖像輸入所述血管分割模型，得到分割后的血管影像。

10.一種醫學影像分割模型訓練方法，其特征在于，包括：

對醫學影像進行圖像變換，得到變換影像；

以所述變換影像為樣本，以所述醫學影像為標簽，形成預訓練樣本；

根據所述預訓練樣本對深度學習模型進行預訓練；

利用正式訓練樣本對所述深度學習模型進行二次訓練，得到醫學影像分割模型。