[发明专利]基于改进的3D Unet的冠状动脉区域分割系统及方法

说明书

本发明公开了一种基于改进的3D Unet的冠状动脉区域分割方法及系统，该方法包括步骤：输入待分割的DICOM图像，对图像进行预处理；预处理后的图像输入到预先训练好的冠状动脉分割模型，获得并输出分割出冠状动脉区域的图像；其中，冠状动脉分割模型，通过对历史DICOM图像训练得到；冠状动脉分割模型为改进的3D Unet模型，其中，改进的3D Unet模型的下采样各层最后加入残缺模块，且随着网络深度每增加一层，残差块的数量也增加一层；上采样过程采用反卷积过程放大图片。本发明相比于传统方法反卷积过程涉及到更新权重的学习过程，因此对于不同任务的适应性更强。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于改进的3D Unet的冠状动脉区域分割方法及系统。

背景技术

随着计算机视觉技术的不断发展，视觉分割任务在医疗图像领域的潜力逐渐被发掘。得益于今天互联网资源的井喷式增长，医疗影像数据也变得更加丰富，这使得由大数据驱动的深度学习技术再次刷新医疗图像分割精度。

心脏是我们身体内的一个重要器官，拥有一个健康、稳定工作的心脏是我们探索、创造和感知世界的必要条件。然而，各种各样的心脏类疾病也严重威胁着许多人的生命。为了有效治疗和预防这些疾病，精准计算、建模和分析冠状动脉结构对于医学领域的研究和应用至关重要。例如，在做完冠状动脉的分割后我们还可以判断是否有钙化区域并且计算钙化区域的积分大小。

目前，基于神经网络的方法实现冠状动脉区域的自动分割具有明显优势，在以前传统分类网络例如：VGG,ResNet，DenseNet等可以达到比较好的分割精度，目前分割效果比较好的网络有UNet，VNet等。

对于常见的器官分割任务，器官所在区域比较大特征比较明显，而对于冠状动脉分割问题，由于血管的生产方式并不统一因此，形状也大不相同，而且不同切片中含有冠状动脉区域的大小存在巨大差异，如图1所示，为不同切片时冠状动脉区域的大小对比图，可以发现分割问题的困难，可以看出在不同顺序的切片中冠状动脉的区域形状和大小存在显著性差异，这为后续的特征提取带来的巨大的挑战，而且经过测试，传统的二维卷积神经网络对于这种形状变化巨大，而且目标区域远远小于图片大小的问题表现出的分割精度并不理想。

有鉴于此，亟需提供一种可实现分割任意DICOM图像中冠状动脉区域且分割精度高的分割方法。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供了一种基于改进的3DUnet模型的冠状动脉区域分割方法，包括以下步骤：

输入待分割的DICOM图像，对图像进行预处理；

预处理后的图像输入到预先训练好的冠状动脉分割模型，获得并输出分割出冠状动脉区域的图像；其中，冠状动脉分割模型，通过对历史DICOM图像训练得到；

冠状动脉分割模型为改进的3D Unet模型，其中，

改进的3D Unet模型的下采样各层最后加入残缺块，且随着网络深度每增加一层，残差块的数量也增加一层；上采样过程采用反卷积过程放大图片。

在上述方法中，所述改进的3D Unet模型的损失函数为dice损失函数和交叉熵损失函数之和。

在上述方法中，所述改进的3D Unet模型的深度为5。

在上述方法中，所述冠状动脉分割模型通过以下方式进行训练：

获取历史DICOM图像作为训练样本集；

将历史DICOM图像分为5份，分别依次取出其中4份为训练集1份为测试集，并对图像进行归一化处理；