[发明专利]一种用于冠状动脉的网络模型分割方法及设备

说明书

本发明公开了一种用于冠状动脉的网络模型分割方法及设备，该方法包括：对多个冠状动脉训练样本进行筛选，得到多样性训练样本集和单一性训练样本集；分别利用所得到的多样性训练样本集和单一性训练样本集进行分割预测，得到基础模型的分割预测结果和扩展模型的分割预测结果；融合所述基础模型的分割预测结果和扩展模型的分割预测结果，生成融合优化后的冠状动脉分割结果。本发明有效融合多样性训练样本及单一性训练样本的优势，从而解决只采用多样性训练样本训练得到的网络模型对特殊样本缺乏细致特征表达，而仅采用单一性训练样本训练得到的网络模型不好适应实际生产环境多样性的问题，进而提高人工神经网络在冠脉分割工作中的易用性和鲁棒性。

技术领域

本发明涉及医学影像技术领域，尤其涉及一种用于冠状动脉的网络模型分割方法及设备。

背景技术

在现代医学技术领域中，自动化冠脉重建技术对医生有着重要的临床价值和实际意义，进行自动化冠脉重建首先需要解决该过程中的自动化冠脉分割问题。区别于传统的冠脉分割方法，由于人工神经网络的诸多优点，人们愈发倾向于采用人工神经网络来完成冠脉分割工作。

但是，以深度学习神经网络为主的人工神经网络，其对训练样本有较高的数量要求，且同时需要大量的多样性训练样本和单一性训练样本。当只采用多样性训练样本进行训练得到的网络模型对特殊的样本缺乏细致的特征表达进而影响结果，而仅采用单一性训练样本进行训练得到的网络模型，存在不好适应实际生产环境的多样性的问题。

因此，如何通过有效地融合多样性训练样本及单一性训练样本的优势来克服现有技术所存在的上述缺陷，成为当前亟待解决的问题。

发明内容

本发明实施例为了有效克服现有技术所存在的上述缺陷，创造性地提供一种用于冠状动脉的网络模型分割方法及设备。

本发明一方面提供一种用于冠状动脉的网络模型分割方法，所述方法包括：对多个冠状动脉训练样本进行筛选，得到多样性训练样本集和单一性训练样本集；分别利用所得到的多样性训练样本集和单一性训练样本集进行分割预测，得到基础模型的分割预测结果和扩展模型的分割预测结果；融合所述基础模型的分割预测结果和扩展模型的分割预测结果，生成融合优化后的冠状动脉分割结果。

在一个实施例中，根据本发明的上述方法，所述对多个冠状动脉训练样本进行筛选，得到多样性训练样本集和单一性训练样本集之前，所述方法还包括：对多个冠状动脉训练样本进行分类标记，得到多个标签信息组；对所得到的多个标签信息组按照第一比例进行选取，得到多样性训练样本集；从所得到的多个标签信息组中筛选隶属于第一标签信息的训练样本，作为单一性训练样本集。

在一个实施例中，根据本发明的上述方法，所述对多个冠状动脉训练样本进行分类标记，包括：根据数据来源、数据质量和/或病灶情况来对多个冠状动脉训练样本进行分类标记。

在一个实施例中，根据本发明的上述方法，所述融合所述基础模型的分割预测结果和扩展模型的分割预测结果，生成融合优化后的冠状动脉分割结果，包括：在所述基础模型的分割预测结果上找到冠状动脉的尾端位置；在所述冠状动脉的尾端位置添加所述扩展模型的分割预测结果，得到融合优化后的冠状动脉分割结果。

在一个实施例中，根据本发明的上述方法，所述融合所述基础模型的分割预测结果和扩展模型的分割预测结果，生成融合优化后的冠状动脉分割结果，包括：遍历所述扩展模型的分割预测结果中的每一个像素点，从所述扩展模型的分割预测结果中减去所述基础模型的分割预测结果，得到差异性分割预测结果；在所述基础模型的分割预测结果中增加所述差异性分割预测结果，得到融合优化后的冠状动脉分割结果。