一种升主动脉图像的自动提取方法和装置

1.本发明涉及升主动脉提取领域，尤其涉及一种升主动脉图像的自动提取方法和装置。


背景技术：

2.升主动脉起于左心室，是主动脉的一部分，位于肺动脉与上腔静脉之间。临床医生通常将升主动脉瘤的瘤径作为手术时机的判断依据。升主动脉瘤一旦引发，不能及时发现将引起主动脉破裂等风险，从而造成生命危险。目前，对升主动脉瘤的判断主要基于影像学资料，通过手动提取的的方式获取升主动脉的图像，但是这种方法极为繁琐，需要技术人员或医生具备一定的计算机知识和相关的临床经验，一定程度上缺乏及时性和准确性，容易出现遗漏图像的重要信息等。


技术实现要素：

3.本发明提供了一种升主动脉图像的自动提取方法和装置，提高了图像的提取效率和质量。
4.为了解决上述技术问题，本发明实施例提供了一种升主动脉图像的自动提取方法，包括：
5.获取第一数据集，其中，所述第一数据集包括若干个升主动脉的影像学数据，且每个影像学数据在各层面的升主动脉区域均已被标注；
6.根据已标注的各影像学数据，提取所有升主动脉区域以及每个升主动脉区域各自对应的坐标信息，并构建第二数据集；
7.根据所述第二数据集，构建图像提取模型；其中，所述图像提取模型设置了五个下采样结构、两个上采样结构、三个卷积集和激活函数层；其中，所述激活函数层采用logistics函数；
8.获取待测影像学数据，并将所述待测影像学数据输入至所述图像提取模型，获得所述待测影像学数据的升主动脉图像。
9.作为优选方案，所述图像提取模型还包括损失函数层，所述损失函数层的构建方法为：根据所述图像提取模型的预测框的坐标数据、所述预测框的宽高数据、所述预测框的置信度数据和所述图像提取模型的各分类损失数据，构建所述损失函数层。
10.作为优选方案，所述根据所述第二数据集，构建图像提取模型，具体为：将所述第二数据集划分为训练集和验证集；通过所述训练集，构建第一模型；通过所述训练集和所述验证集对所述第一模型进行迭代优化，直至所述第一模型收敛，获得图像提取模型；其中，在每次迭代优化中，通过所述训练集和所述验证集对所述第一模型的所有超级参数和所有普通参数进行更新，继而更新所述第一模型对应的权重文件。
11.作为优选方案，所述图像提取模型的收敛条件为：所述图像提取模型的损失函数小于第一预设值，或所述图像提取模型的损失函数的变化小于第二预设值。
12.作为优选方案，在所述获取第一数据集之前，还包括：通过人工标注各层面的升主动脉区域的影像学数据，获得第一数据集；
13.或者，通过机器学习算法自动标注各层面的升主动脉区域的影像学数据，获得第一数据集。
14.相应的，本发明实施例还提供了一种升主动脉图像的自动提取装置，包括获取模块、数据集构建模块、模型构建模块和提取模块，其中，
15.所述获取模块用于获取第一数据集，其中，所述第一数据集包括若干个升主动脉的影像学数据，且每个影像学数据在各层面的升主动脉区域均已被标注；
16.所述数据集构建模块用于根据已标注的各影像学数据，提取所有升主动脉区域以及每个升主动脉区域各自对应的坐标信息，并构建第二数据集；
17.所述模型构建模块用于根据所述第二数据集，构建图像提取模型；其中，所述图像提取模型设置了五个下采样结构、两个上采样结构、三个卷积集和激活函数层；其中，所述激活函数层采用logistics函数；
18.所述提取模块用于获取待测影像学数据，并将所述待测影像学数据输入至所述图像提取模型，获得所述待测影像学数据的升主动脉图像。
19.作为优选方案，所述图像提取模型还包括损失函数层，所述损失函数层的构建方法为：根据所述图像提取模型的预测框的坐标数据、所述预测框的宽高数据、所述预测框的置信度数据和所述图像提取模型的各分类损失数据，构建所述损失函数层。
20.作为优选方案，所述模型构建模块根据所述第二数据集，构建图像提取模型，具体为：所述模型构建模块将所述第二数据集划分为训练集和验证集；通过所述训练集，构建第一模型；通过所述训练集和所述验证集对所述第一模型进行迭代优化，直至所述第一模型收敛，获得图像提取模型；其中，在每次迭代优化中，通过所述训练集和所述验证集对所述第一模型的所有超级参数和所有普通参数进行更新，继而更新所述第一模型对应的权重文件。
21.作为优选方案，所述图像提取模型的收敛条件为：所述图像提取模型的损失函数小于第一预设值，或所述图像提取模型的损失函数的变化小于第二预设值。
22.作为优选方案，所述自动提取装置还包括标注模块，所述标注模块用于在所述提取模块获取第一数据集之前，通过人工标注各层面的升主动脉区域的影像学数据，获得第一数据集；
23.或者，通过机器学习算法自动标注各层面的升主动脉区域的影像学数据，获得第一数据集。
24.相比于现有技术，本发明实施例具有如下有益效果：
25.本发明实施例提供了一种升主动脉图像的自动提取方法和装置，所述方法包括：获取第一数据集，其中，所述第一数据集包括若干个升主动脉的影像学数据，且每个影像学数据在各层面的升主动脉区域均已被标注；根据已标注的各影像学数据，提取所有升主动脉区域以及每个升主动脉区域各自对应的坐标信息，并构建第二数据集；根据所述第二数据集，构建图像提取模型；其中，所述图像提取模型设置了五个下采样结构、两个上采样结构、三个卷积集和激活函数层；获取待测影像学数据，并将所述待测影像学数据输入至所述图像提取模型，获得所述待测影像学数据的升主动脉图像。本发明相对于现有技术，图像提
取模型包括五个下采样结构、两个上采样结构、三个卷积集，随着网络层次的加深，特征映射组成的形状类似于金字塔，实现了多尺度的特征提取，提高了对不同精度升主动脉的目标综合检测能力，同时替代了人工提取升主动脉图像的方式，提取的过程耗时更短，提取效率高，图像质量更优。
附图说明
26.图1：为本发明提供的一种升主动脉图像的自动提取方法的一种实施例的流程示意图。
27.图2：为本发明提供的一种升主动脉图像的分割算法的举例的原理示意图。
28.图3：为本发明提供的一种升主动脉图像的自动提取装置的一种实施例的结构示意图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.实施例一：
31.请参照图1，图1为本发明实施例提供的一种升主动脉图像的自动提取方法，包括步骤s1至s4，其中，
32.步骤s1，获取第一数据集，其中，所述第一数据集包括若干个升主动脉的影像学数据，且每个影像学数据在各层面的升主动脉区域均已被标注。
33.在本实施例中，通过电子计算机断层扫描(ct)的平扫及增强采集若干患者的影像学数据；其中，影像学数据中包括若干升主动脉，对影像学资料进行预处理，具体地：剔除掉图像质量过差、伪影严重、图像残缺的影像学数据；由于图像中可能包括大量的无关数据，例如其他的无关血管，因此需要通过人工标注的方式或基于机器学习算法，标注出影像学数据中各层面的升主动脉区域，以减少无关数据对提取效果的影响，最终获得所述第一数据集。
34.步骤s2，根据已标注的各影像学数据，提取所有升主动脉区域以及每个升主动脉区域各自对应的坐标信息，并构建第二数据集。
35.在本实施例中，根据已标注的各影像学数据，提取出各影像学数据中所有的升主动脉；根据提取出的升主动脉的图像和该图像中标注的升主动脉区域对应的坐标信息，构建第二数据集；其中，所述第二数据集包括升若干主动脉的ct血管造影图像和与各图像对应的坐标信息，图像大小重采样为512＊512。
36.步骤s3，根据所述第二数据集，构建图像提取模型；其中，所述图像提取模型设置了五个下采样结构、两个上采样结构、三个卷积集、激活函数层和损失函数层；其中，所述激活函数层采用logistics函数。
37.为对本实施例的图像模型作进一步说明，所述图形提取模型对应的升主动脉区域的分割算法以及网络结构的一种举例参照图2。输入模型的第二数据集中的大小为512＊
512的cta图像经过五次下采样后输出的特征图像缩小为输入时的1/32。其中的每个单元格需要预测3个边框，预测的目标即升主动脉区域。在经过五次下采样后，依次经过第一卷积集、一个上采样结构，第二卷积集、一个上采样结构以及第三卷积集。最终输出的通道数为18，特征图深度为18，输出的边长的规律为16：32：64。第一卷积集、第二卷积集和第三卷积集共包含53个卷积层，并设置了若干快捷键路，将每两个卷积层和一个快捷键路构成一个残差组件，并使用logistics函数作为激活函数层的函数，用iou代表升主动脉区域出现预测框的可能性以及升主动脉位置的准确性(针对每个提取出的升主动脉图像，都会根据对应的坐标信息生成一个实际方框，通过计算实际框和预测框的重合度获取相应的iou值)。本实施例采用的算法由于卷积层每隔几层，特征映射的宽高都会减少，通道数增加，因此最终特征映射组成的形状类似于金字塔，将不同层级的特征映射转换为最终输出，实现了多尺度的特征提取。这样的网络结构的设计有助于提高所述图像提取模型针对不同大小的目标的特征提取能力和综合检测能力。
38.所述图像提取模型还包括损失函数层，所述损失函数层为图像提取模型的最后一层，用于决定训练过程如何来惩罚网络的预测结果和真实结果之间的差异，同时用于判断所述图像提取模型的收敛条件。对应的损失函数采用均方和误差作为误差函数，通过所述图像提取模型的预测框的坐标数据、所述预测框的宽高数据、所述预测框的置信度数据和所述图像提取模型的各分类损失数据，以构建该损失函数层，具体地：
39.损失函数的计算公式为：
[0040][0041]
其中，loss为所述损失函数，第一部分是预测框坐标(x、y)；第二部分是预测框宽和高w、h，本实施例采用了根号，以使方框的尺寸变化的损失比大方框的尺寸变化的损失大；第三部分是方框置信度损失，回归目标是预测方框与实际方框的iou值(前三部分都只在预测方框和实际方框有对应关系时才计算loss)；第四部分是没有对应升主动脉的预测框的置信度损失，实际的置信度都是0；第五部分是分类损失，当方框与主动脉有对应关系时，计算分类损失，classes代表图像中不同的物体分类。本实施例设置λ
coord
＝5，λ
noobj
＝0.5，s2表示网格数，b代表每一网格内预测框的数目，表示物体是否出现在网格i，表示单元格i中的第j个边界框预测器对该预测负责。
[0042]
将所述第二数据集按照8：1：1的比例随机划分为训练集、验证集和测试集。通过所述训练集构建第一模型；通过所述训练集和验证集对所述第一模型和对应的权重文件进行训练并迭代优化，直至满足：所述第一模型的损失函数小于第一预设值，或所述第一模型的损失函数的变化小于第二预设值时，所述第一模型收敛，获得所述图像提取模型；其中，在
每次迭代优化中，通过所述训练集和所述验证集对所述第一模型的所有超级参数和所有普通参数进行更新，继而更新所述第一模型对应的权重文件。实际上，在训练过程中损失函数会不断减小，模型的精度会不断增加，当损失函数减小到一定程度时，随着迭代次数的增加，损失函数的变化量会逐渐减小，当损失函数本身或损失函数的变化量减小到一定程度，图像的质量已经变化不大了，此时升主动脉的提取效果的增加也没有那么显著，那么可以认为模型已经收敛，此时获得所述图像提取模型。其中，第一预设值和第二预设值的具体数值，可以根据实际情况进行动态调节。
[0043]
本实施例的图像提取模型在迭代100次后，损失函数可降至0.0025。在不同置信度下统计precision及recall，绘制相应的pr曲线并确定最优的置信度，当置信度为0.6时，测试集的准确率较优，可达到95％。
[0044]
步骤s4，获取待测影像学数据，并将所述待测影像学数据输入至所述图像提取模型，获得所述待测影像学数据的升主动脉图像。
[0045]
具体地，获取电子计算机断层扫描(ct)的平扫及增强采集的待测影像学数据，将所述待测影像学数据输入至收敛的图像提取模型，可以实现全自动提取出升主动脉图像，替代了人工提取的方式，具有更高的提取效率，同时提取获得的升主动脉图像质量更优。
[0046]
相应的参照图3，本发明实施例还提供了一种升主动脉图像的自动提取装置，包括获取模块101、数据集构建模块102、模型构建模块103和提取模块104；其中，
[0047]
所述获取模块101用于获取第一数据集，其中，所述第一数据集包括若干个升主动脉的影像学数据，且每个影像学数据在各层面的升主动脉区域均已被标注；
[0048]
所述数据集构建模块102用于根据已标注的各影像学数据，提取所有升主动脉区域以及每个升主动脉区域各自对应的坐标信息，并构建第二数据集；
[0049]
所述模型构建模块103用于根据所述第二数据集，构建图像提取模型；其中，所述图像提取模型设置了五个下采样结构、两个上采样结构、三个卷积集和激活函数层；其中，所述激活函数层采用logistics函数；
[0050]
所述提取模块104用于获取待测影像学数据，并将所述待测影像学数据输入至所述图像提取模型，获得所述待测影像学数据的升主动脉图像。
[0051]
作为优选方案，所述图像提取模型还包括损失函数层，所述损失函数层的构建方法为：根据所述图像提取模型的预测框的坐标数据、所述预测框的宽高数据、所述预测框的置信度数据和所述图像提取模型的各分类损失数据，构建所述损失函数层。
[0052]
作为优选方案，所述模型构建模块103根据所述第二数据集，构建图像提取模型，具体为：所述模型构建模块103将所述第二数据集划分为训练集和验证集；通过所述训练集，构建第一模型；通过所述训练集和所述验证集对所述第一模型进行迭代优化，直至所述第一模型收敛，获得图像提取模型；其中，在每次迭代优化中，通过所述训练集和所述验证集对所述第一模型的所有超级参数和所有普通参数进行更新，继而更新所述第一模型对应的权重文件。
[0053]
作为优选方案，所述图像提取模型的收敛条件为：所述图像提取模型的损失函数小于第一预设值，或所述图像提取模型的损失函数的变化小于第二预设值。
[0054]
作为优选方案，所述自动提取装置还包括标注模块，所述标注模块用于，在获取第一数据集之前，通过人工标注各层面的升主动脉区域的影像学数据，获得第一数据集；
[0055]
或者，通过机器学习算法自动标注各层面的升主动脉区域的影像学数据，获得第一数据集。
[0056]
相比于现有技术，本发明实施例具有如下有益效果：
[0057]
本发明实施例提供了一种升主动脉图像的自动提取方法和装置，所述方法包括：获取第一数据集，其中，所述第一数据集包括若干个升主动脉的影像学数据，且每个影像学数据在各层面的升主动脉区域均已被标注；根据已标注的各影像学数据，提取所有升主动脉区域以及每个升主动脉区域各自对应的坐标信息，并构建第二数据集；根据所述第二数据集，构建图像提取模型；其中，所述图像提取模型设置了五个下采样结构、两个上采样结构、三个卷积集和激活函数层；获取待测影像学数据，并将所述待测影像学数据输入至所述图像提取模型，获得所述待测影像学数据的升主动脉图像。本发明相对于现有技术，图像提取模型包括五个下采样结构、两个上采样结构、三个卷积集，随着网络层次的加深，特征映射组成的形状类似于金字塔，实现了多尺度的特征提取，提高了对不同精度的升主动脉的目标综合检测能力，同时替代了人工提取升主动脉图像的方式，提取的过程耗时更短，提取效率高，图像质量更优。
[0058]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。