[发明专利]结合卷积神经网络与循环神经网络的血管中心线追踪方法

说明书

本发明属于图像处理、机器学习技术领域，公开了一种结合卷积神经网络与循环神经网络的血管中心线追踪方法，在原始图像中，将中心线等距采样，提取图像块并组成序列，给定序列的方向类别；选取非中心线点，提取图像块并生成扩充序列，给定扩充序列的方向类别；将序列与方向类别作为输入训练卷积‑循环神经网络；在测试图像中分割血管中心线并拟合，获取用于追踪的起始序列；从起始序列开始，通过卷积‑循环神经网络预测方向实现追踪。本发明通过自动确定追踪的起点与终点，解决了传统方法需要人工干预的问题，有效利用了血管的全局与局部信息；实现中心线的自动追踪，具有不需要预分割血管、准确率高的特点。

技术领域

本发明属于图像处理、机器学习技术领域，尤其涉及一种结合卷积神经网络与循环神经网络的血管中心线追踪方法。

背景技术

血管中心线的提取对血管疾病的准确定位和定量分析具有重要意义。有了血管中心线后，医生在诊断中会更加便利。在准确的可视化血管中心线和正确的评价血管的形态之后，临床手术将会产生从经验化到数字临床化的巨大飞越。在提取了血管中心线之后，血管分支和相互之间的连接情况、血管的形态等就清晰的显示在医生面前，这些辅助手段可以弥补部分医生经验的不足，协助医生对心血管疾病做出准确的预测和判断。通过有经验的医生手工标注是获取血管中心线最直接的方法。但是随着医学成像的不断发展，成像设备能够获取不同尺寸，高维度和高分辨率的图像，同时医学影像的数量也呈现几何级数增长，依靠手工标注的方法耗时耗力。同时由于血管结构复杂，图像中背景点的数量远远大于目标点数量，自动提取血管中心线的方法始终存在一定的局限性。通过计算手动定义的起点与终点间的最小成本路径来提取中心线，该方法计算量小、速度快，但该方法需要人工干预，而且提取的中心线在局部区域通常平滑性不好；通过分割或定位获得血管结构，通过细化等方式获得血管中心线，这种方法是一种全自动方法，但容易受到血管疾病的影响，准确率不高；近年来，基于机器学习的方法开始运用于血管中心线的提取，但是特征提取算法的设计复杂性与应用局限性、以及特征提取算法与分类器结合的多样性限制着传统机器学习方法在该领域的应用。

综上所述，现有技术存在的问题是：

(1)现有半自动提取血管中心线的方法需要人工干预；

(2)传统的机器学习方法在该领域应用受限，无法达到理想的精度；

解决上述技术问题的难度：

(1)半自动提取血管中心线的方法需要手动指定血管的起点与终点，但随着医学成像设备的发展以及医学影像数量的增长，手工标注的方法费时费力；

(2)基于机器学习提取血管中心线的方法，由于特征选择的复杂性、分类器的多样性，如何选择有效的特征及合适的分类器是一个难题；

解决上述技术问题的意义：

(1)自动确定血管中心线追踪的起点与终点，可以解决中心线提取需要人工干预的问题，大大提升处理图像的速度；

(2)自动选取有用的特征可以有效避免特征选择算法带来的不确定性，增加结果准确率的同时也降低了血管中心线追踪的复杂度。

发明内容

针对现有技术存在的问题，本发明提供了一种结合卷积神经网络与循环神经网络的血管中心线追踪方法。

本发明是这样实现的，一种结合卷积神经网络与循环神经网络的血管中心线追踪方法，所述结合卷积神经网络与循环神经网络的血管中心线追踪方法包括：在原始图像中，将中心线等距采样，提取图像块并组成序列，给定序列的方向类别；选取非中心线点，提取图像块并生成扩充序列，给定扩充序列的方向类别；将序列与方向类别作为输入训练卷积-循环神经网络；在测试图像中分割血管中心线并拟合，获取用于追踪的起始序列；从起始序列开始，通过卷积-循环神经网络预测方向实现追踪。

进一步，所述结合卷积神经网络与循环神经网络的血管中心线追踪方法包括以下步骤：