[发明专利]一种基于深度学习技术的脑动脉分割方法及装置

说明书

本发明提供了一种基于深度学习技术的脑动脉分割方法及装置，其中方法包括：对人体脑部磁共振血管造影MRA图像进行预处理，得到预处理数据；将预处理数据作为深度学习模型的输入，对深度学习模型进行训练，得到训练好的深度学习模型，其中，深度学习模型包括空洞密集网络；获取待分割数据，将待分割数据作为训练好的深度学习模型的输入，利用训练好的深度学习模型对待分割数据进行分割预测，得到脑部动脉血管二值体数据；通过阈值分割方法对脑部动脉血管二值体数据进行处理，得到脑动脉分割结果。本发明可以提高现有基于深度学习方法分割血管的精度和速度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于深度学习技术的脑动脉分割方法及装置。

背景技术

医学图像中血管的全自动分割问题一直是医学界和学术界关注的一大难题。人体脑部血管系统主要由脑动脉和脑静脉两类血管网络构成，该整套的血管系统为脑细胞提供至关重要的营养和氧气。对脑部血管网络进行成像最流行的技术之一为磁共振血管成像(MRA)，通过该技术可以增强医学图像中血管的显示效果，更有助于可视分析。磁共振血管成像数据采集技术中包含多个模态，临床常用的技术有时间飞越技术(Time of Flight，TOF)、相位对比技术(Phase Contrast，PC)和新鲜血液成像技术(Fresh Blood Imaging，FBI)。在本发明中使用时间飞越技术获取的磁共振血管成像，利用深度学习方法从中自动地分割脑部动脉网络。

相比于手工定义的特征，深度学习方法由于其超强的特征表达能力被广泛应用于实际的生产和生活中。深度学习方法的核心思想是利用多重非线性变换来获取原始数据的抽象表达，从而进一步得到原始任务的解。在图像处理领域，深度学习方法中的卷积神经网络(Convolutional Neural Network,CNN)在很多问题的性能上要远优于传统方法。近几年来，卷积神经网络越来越多地应用在了医学图像处理领域，如医学图像的分类、分割、配准和去噪等任务。同样，在血管分割领域深度学习也取得了不错的进展。

现有的基于深度学习技术进行医学图像中血管分割的方法主要存在以下问题：

(1)没有得到多尺度特征表示。因为医学图像中的血管有多种尺度，很多现有的基于深度学习的血管分割方法没有考虑多尺度信息，因此得到的最终的血管分割效果不够理想；

(2)提取的上下文信息不够丰富。因为血管是细长结构，因此小范围的上下文信息不能够表达复杂的血管结构，所以网络在分割过程中容易出现过分割或者欠分割的结果；

(3)网络参数量较大，在训练的过程中容易出现过拟合情况。因为可用于血管分割的医学图像数据量较少，因此对于较大的网络结构，在训练过程中容易出现过拟合的情况。

发明内容

本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于深度学习技术的脑动脉分割方法及装置。

为达到上述目的，本发明的技术方案具体是这样实现的：

本发明的一个方面提供了一种基于深度学习技术的脑动脉分割方法，包括：对人体脑部磁共振血管造影MRA图像进行预处理，得到预处理数据；将预处理数据作为深度学习模型的输入，对深度学习模型进行训练，得到训练好的深度学习模型，其中，深度学习模型包括空洞密集网络(Dilation Dense Net,DDNet)；获取待分割数据，将待分割数据作为训练好的深度学习模型的输入，利用训练好的深度学习模型对待分割数据进行分割预测，得到脑部动脉血管二值体数据；通过阈值分割方法对脑部动脉血管二值体数据进行处理，得到脑动脉分割结果。

其中，预处理包括：各向同性预处理和归一化处理。

其中，将预处理数据作为深度学习模型的输入包括：将预处理数据进行切分，得到多个数据块；以批为单位将数据块作为深度学习模型的输入。