一种基于深度距离变换的脑血管分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115908355A(43)申请公布日2023.04.04(21)申请号202211558215.6(22)申请日2022.12.06(71)申请人浙江工业大学地址310014浙江省杭州市拱墅区潮王路18号(72)发明人冯远静盛轩硕谢雷黄家浩卜宇辉蒋浩宇曾庆润(74)专利代理机构杭州浙科专利事务所(普通合伙)33213专利代理师沈渊琪(51)Int.Cl.G06T7/00(2017.01)G06T7/136(2017.01)权利要求书2页说明书3页附图2页(54)发明名称一种基于深度距离变换的脑血管分割方法(57)摘要一种基于深度距离变换的脑血管分割方法，包括以下步骤：步骤1中心距离图构建；步骤2血管末梢端点图计算；步骤3中心线提取：构造无向图，根据血管末梢端点构造一个无向图G＝(V,E)，其中集合V包含其末梢端点对应的所有顶点，集合E包括在26领域设置下连接集合V中两个相邻顶点的所有边；步骤4依据中心线作为中心点，中心距离图作为半径，即可重建出连续不间断的血管模型。本发明能够充分利用管状结构的几何特征，又能避免模型学习中框架与内部体素值相似而无法分类的问题。CN115908355ACN115908355A权利要求书1/2页1.一种基于深度距离变换的脑血管分割方法，其特征在于，所述方法包括以下步骤：步骤1中心距离图构建采用基于几何感知管状结构分割方法，通过骨架化的经典距离转换和现代深度分割网络，分割得出深度距离图；步骤2血管末梢端点图计算先对原始MRA数据进行阈值分割处理，再由经验丰富的脑血管专家对血管末梢进行人工修正，并标记出其末梢端点；得出的血管末梢端点图作为真值图输入U‑Net神经网络进行训练，能够得到一个用于预测血管末梢端点的模型；步骤3中心线提取构造无向图，根据血管末梢端点构造一个无向图G＝(V,E)，其中集合V包含其末梢端点对应的所有顶点，集合E包括在26领域设置下连接集合V中两个相邻顶点的所有边；步骤4血管重建依据中心线作为中心点，中心距离图作为半径，即可重建出连续不间断的血管模型。2.如权利要求1所述的一种基于深度距离变换的脑血管分割方法，其特征在于，所述步骤1中，令MRA扫描原始图像为X，真值图为Y，则管状结构表面上的体素集合CV可表示为：其中，代表体素v的6领域值，距离图D可以通过如下公式计算：对于每个体素v，距离转换代表其离管状表面结构CV的最近距离，使用欧几里得距离来增强鲁棒性。3.如权利要求2所述的一种基于深度距离变换的脑血管分割方法，其特征在于，所述步骤2中，通过在每个端点周围构建高斯分布以在空间上占据一定区域来生成端点的置信图，为每个血管末梢端点形成一个高斯空间场：再通过U‑Net网络来训练模型用以预测端点置信图。4.如权利要求3所述的一种基于深度距离变换的脑血管分割方法，其特征在于，所述步骤3中，采用最小路径算法，已由步骤1和步骤2求出深度距离图以及血管末梢端点图，使用最小路径算法来提取结构对象的中心线，为提取冠状动脉树等树状结构的中心线，一个根点通常对应多个血管末梢端点。在这种情况下，根点s和每个端点t之间的最小路径可以通过依次追踪从终点到起点的每条路径，一旦当前路劲与一些先前跟踪的路径相交，它就会被合并到先前跟踪的路径中，中心线点最终通过小窗口的迭代均值滤波进行平滑，以获得更平滑的外观。5.如权利要求1～4之一所述的一种基于深度距离变换的脑血管分割方法，其特征在于，所述步骤4中，采用训练同任务深度网络，来分割血管的管状结构，结合图像算子：距离2CN115908355A权利要求书2/2页变换，为管状结构内的每个体素定义距离变换值，这能够解决管状结构表面与内部体素无法分割的问题；再通过深度神经网络结合高斯分布置信图预测出血管末梢端点，通过最小路径算法连接生成中心线。3CN115908355A说明书1/3页一种基于深度距离变换的脑血管分割方法技术领域[0001]本发明涉及人工智能和医学图像处理领域，一种基于深度距离变换的脑血管分割方法。背景技术[0002]脑血管疾病已经成为威胁人类健康最严重的疾病之一。例如中风、动脉瘤、静脉畸形等疾病，有着较高的发病率和死亡率。因此，能否正确诊断脑血管疾病对于现代医学来说至关重要。[0003]管状结构在人体中也无处不在，例如血管、胰管和泌尿道，它们存在于液体、固体或空气与周围组织交界的环境中，在维持人体生理功能方面发挥着突出的作用。从MRA影像中分割管状组织是一个十分具有挑战性的问题，现有的方法主要分为以下两种：(1)基于几何的方法。利用它们的集合特性来构建可变形的形状模型以适应管状结构。例如管状结构可以用它的骨架很好地表示，也就是中轴和圆柱表面；(2)基于深度网络学习的方法，此方法通过学习预测每个体