一种基于深度学习的动脉瘤分割方法和装置与流程

1.本发明涉及计算机视觉、医疗影像处理技术领域，尤其涉及一种基于深度学习的动脉瘤分割方法和装置。


背景技术：

2.脑动脉瘤在人群中的发病率介于1％至5％之间，脑动脉瘤的诊断是医学上一项重要而艰巨的任务。据统计，80％的非创伤性蛛网膜下腔出血是由脑动脉瘤破裂引起的。然而，由于与正常区域相比，脑动脉瘤病灶小且特征不明显，即使对于经过专业培训的放射科医生来说，识别脑动脉瘤也不算容易，并且十分耗时。多位放射科医师也可能无法就脑动脉瘤的诊断得出一致的结论。为了解决这个问题，在过去的几十年中，很多人已经提出了各种用于从计算机断层摄影血管造影(cta)和磁共振血管造影(mra)图像中检测脑动脉瘤的算法。但是，这些算法十分依赖特定的扫描设备和参数，并且敏感度和特异度不高。
3.深度学习近些年来已经在自然图像处理领域展现出极强的潜力，各种语义分割网络已经达到了了可实用的性能。因而，将深度学习应用到医学影像处理领域也将值得尝试。但是，动脉瘤分割任务有着不同于自然图像的特点：整幅三维图像非常大，而动脉瘤病灶区域又非常小，动脉瘤同周围组织关系紧密，特征不明显。因此，如何针对动脉瘤影像分割设计特别的深度神经网络也成为了一个难点。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
5.为此，本发明的目的在于针对动脉瘤影像分割构建深度神经网络，实现cta图像上基于深度学习的动脉瘤分割，提出了一种基于深度学习的动脉瘤分割方法。
6.本发明的另一个目的在于提出一种基于深度学习的动脉瘤分割装置。
7.为达上述目的，本发明一方面提出了一种基于深度学习的动脉瘤分割方法，包括以下步骤：
8.获取头部扫描ct血管造影cta图像；将所述cta图像输入到预训练的深度学习模型，基于所述预训练的深度学习模型对所述cta图像进行图像分析处理；其中，所述预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到；基于所述图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。
9.根据本发明实施例的一种基于深度学习的动脉瘤分割方法，使用cta图像作为输入，利用三维卷积分割网络和全局定位描述子，能够快速精确检测和分割动脉瘤。
10.另外，根据本发明上述实施例的一种基于深度学习的动脉瘤分割方法还可以具有以下附加的技术特征：
11.进一步地，所述将所述cta图像输入到预训练的深度学习模型之前，基于金字塔权重损失函数对所述深度学习模型进行训练，包括：
12.获取训练集，并对所述训练集中的cta图像进行数据预处理；
13.基于所述数据预处理，在所述训练集中的cta图像的整图中随机抽取预设大小的滑窗，以输入到全局定位描述子网络得到位置特征；以及将滑窗位置的预设区域cta图像输入到动脉瘤分割网络进行分割；
14.基于所述动脉瘤分割网络对所述深度学习模型进行训练，以得到所述预训练的深度学习模型；其中，所述深度学习模型的损失函数包括全局定位损失和局部分割损失，所述局部分割损失使用金字塔权重损失函数的形式进行加权处理。
15.进一步地，所述获取训练集，并对所述训练集中的cta图像进行数据预处理，包括：
16.采集样本cta图像，对所述样本cta图像进行数据预处理，以识别脑部区域并将不属于所述脑部区域的其他位置区域剔除；其中，所述样本cta图像的hu值保留0-600的区间，并归一化到0-1。
17.进一步地，所述在所述训练集中的cta图像的整图中随机抽取预设大小的滑窗，以输入到全局定位描述子网络得到位置特征，包括：
18.在所述训练集中的cta图像的整图中随机抽取大小为128*128*128的滑窗，并将滑窗在整图中的位置编码为二值图像；
19.将所述整图和位置编码的二值图像输入到全局定位描述子网络，得到位置特征。
20.进一步地，所述全局定位损失通过所述全局定位描述子网络输出计算得到，形式为softmax交叉熵分类函数；所述局部分割损失通过局部分割网络输出计算得到，形式为softmax交叉熵分割函数。
21.进一步地，所述方法还包括：
22.对所述训练集中的cta图像的整图进行重叠长度为64的顺序滑窗法，依次扫描图像每个区域；
23.使用动脉瘤分割网络得到所述图像每个区域的动脉瘤分割标签图；以及，
24.基于所述动脉瘤分割标签图使用平均值法融合为整图的分割标签图。
25.进一步地，所述动脉瘤分割网络使用u-net结构。
26.进一步地，对输入的所述cta图像通过多种处理方式进行数据增广；其中，所述多种处理方式包括随机翻转、旋转和增加噪声方式中的多种。
27.为达到上述目的，本发明另一方面提出了一种基于深度学习的动脉瘤分割装置，包括：
28.获取模块，用于获取头部扫描ct血管造影cta图像；
29.分析模块，用于将所述cta图像输入到预训练的深度学习模型，基于所述预训练的深度学习模型对所述cta图像进行图像分析处理；其中，所述将所述cta图像输入到预训练的深度学习模型之前，使用金字塔权重损失函数对所述深度学习模型进行训练；
30.输出模块，用于基于所述图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。
31.本发明实施例的一种基于深度学习的动脉瘤分割装置，通过获取头部扫描ct血管造影cta图像；将cta图像输入到预训练的深度学习模型，基于预训练的深度学习模型对cta图像进行图像分析处理；其中，预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到；基于图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。本发明能够快速精确检测和分割动脉瘤。
32.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
33.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
34.图1为根据本发明实施例的基于深度学习的动脉瘤分割方法的流程图；
35.图2为根据本发明实施例的基于深度学习的动脉瘤分割方法的模型训练流程图；
36.图3为根据本发明实施例的基于深度学习的动脉瘤分割方法的模型网络结构图；
37.图4为根据本发明实施例的基于深度学习的动脉瘤分割方法的金字塔权重损失函数示意图；
38.图5为根据本发明实施例的基于深度学习的动脉瘤分割装置的结构示意图。
具体实施方式
39.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
40.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
41.下面参照附图描述根据本发明实施例提出的基于深度学习的动脉瘤分割方法及装置，首先将参照附图描述根据本发明实施例提出的基于深度学习的动脉瘤分割方法。
42.图1是本发明一个实施例的基于深度学习的动脉瘤分割方法的流程图。
43.如图1所示，该基于深度学习的动脉瘤分割方法包括以下步骤：
44.步骤s1，获取头部扫描ct血管造影cta图像。
45.可以理解的是，输入头部扫描cta图像,模型分析的滑窗大小为128*128*128，整幅cta图像大小不定，输入和输出图像大小一致。本发明提出一种使用滑窗三维卷积分割网络和全局定位描述子的动脉瘤分割方法。滑窗法即针对医疗图像大的特点，逐块进行分割处理。
46.步骤s2，将cta图像输入到预训练的深度学习模型，基于预训练的深度学习模型对cta图像进行图像分析处理；其中，预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到。
47.具体地，深度学习模型训练和测试过程如图2所示，包括：
48.第一步：对训练集中的cta图像进行预处理，识别脑部区域，将其他位置区域剔除，防止对脑动脉瘤分割训练产生影响。输入cta图像hu值保留0-600的区间，并归一化到0-1。对输入图像通过随机翻转、旋转、增加噪声等方式进行数据增广。
49.第二步：如图3所示，在整图中随机抽取大小为128*128*128的滑窗，并将滑窗在整图中的位置编码为二值图像，整图和位置编码图输入到全局定位描述子网络，得到位置特
征；滑窗位置的局部cta图像输入到动脉瘤分割网络进行分割。分割网络使用u-net结构，在越级连结中融入全局定位特征。
50.第三步：网络进行端到端训练，损失函数由两部分组成。第一部分是全局定位损失，由全局定位描述子网络输出计算得到，形式为softmax交叉熵分类函数；第二部分是局部分割损失，由局部分割网络输出计算得到，形式为softmax交叉熵分割函数。如图4所示，局部分割损失使用金字塔权重损失函数形式进行加权处理，病灶中心权重高，边缘权重低。此权重可以使网络对小目标有更强的检测能力，并对医生标注误差有更好的鲁棒性。
51.第四步，测试阶段，对整幅cta测试图像进行重叠长度为64的顺序滑窗法，依次扫描图像每个区域，使用分割网络得到动脉瘤分割标签图并使用平均值法融合为整张图像的分割标签图。
52.由上述训练步骤可知，本发明使用三维卷积神经网络提取当前滑窗的全局定位描述子，输入分别为全局图像和当前滑窗位置。使用分割网络融合全局定位描述子，对输入当前滑窗的图像进行脑动脉瘤分割，使用针对脑动脉瘤特点的金字塔权重损失函数进行训练。并且在训练阶段使用随机抽取滑窗位置的方法构建数据集，而推理阶段使用有重叠的顺序滑窗完成整张cta图像的动脉瘤分割。
53.步骤s3，基于图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。
54.具体的，模型训练完成后，已经达到非常好的测试性能，使用模型对输入的图像进行分析后，输出相应的脑动脉瘤区域识别分割标签图像。
55.通过上述步骤，获取头部扫描ct血管造影cta图像；将cta图像输入到预训练的深度学习模型，基于预训练的深度学习模型对cta图像进行图像分析处理；其中，预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到；基于图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。本发明能够快速精确检测和分割动脉瘤。
56.需要说明的是，基于深度学习的动脉瘤分割方法实现方式有多种，但无论具体的实现方法如何，只要方法利用深度学习技术实现了对动脉瘤的精确检测和分割，都是针对现有技术问题的解决，并具有相应的效果。
57.为了实现上述实施例，如图5所示，本实施例中还提供了一种基于深度学习的动脉瘤分割装置10，该装置10包括：获取模块100，分析模块200和输出模块300。
58.获取模块100，用于获取头部扫描ct血管造影cta图像；
59.分析模块200，用于将cta图像输入到预训练的深度学习模型，基于预训练的深度学习模型对cta图像进行图像分析处理；其中，预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到；
60.输出模块300，用于基于图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。
61.需要说明的是，上述基于深度学习的动脉瘤分割装置10，还包括训练模块，包括：
62.预处理模块，用于获取训练集，并对训练集中的cta图像进行数据预处理；
63.分割定位模块，用于基于数据预处理，在训练集中的cta图像的整图中随机抽取预设大小的滑窗，以输入到全局定位描述子网络得到位置特征；以及将滑窗位置的预设区域
cta图像输入到动脉瘤分割网络进行分割；
64.预训练模块，用于基于动脉瘤分割网络对深度学习模型进行训练，以得到预训练的深度学习模型；其中，局部分割损失使用金字塔权重损失函数的形式进行加权处理。
65.根据本发明实施例的基于深度学习的动脉瘤分割装置，获取头部扫描ct血管造影cta图像；将cta图像输入到预训练的深度学习模型，基于预训练的深度学习模型对cta图像进行图像分析处理；其中，预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到；基于图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。本发明能够快速精确检测和分割动脉瘤。
66.需要说明的是，前述对基于深度学习的动脉瘤分割方法实施例的解释说明也适用于该实施例的基于深度学习的动脉瘤分割装置，此处不再赘述。
67.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
68.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
69.尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。