[发明专利]一种基于3D激活函数的脑动脉瘤图像分割方法

说明书

一种基于3D激活函数的脑动脉瘤图像分割方法，基于3D激活函数构建的U‑net网络，利用了MRA本身作为3D数据的特征，提高了模型的空间敏感性，有效的提高了网络的拟合能力建模能力。由此，高准确率的脑动脉瘤模型得以实现。利用大数据集，实现了端到端的脑动脉瘤分割的训练和预测，针对脑血管医学图像的特点，设计了一种3D激活函数，较之普通1D损失函数，能够适应性的提高网络收敛能力，提高拟合精度，提高网络的建模能力。

技术领域

本发明涉及计算机辅助医学领域，具体涉及一种基于3D激活函数的脑动脉瘤图像分割方法。

背景技术

颅内动脉瘤在人群中的发生率为3％-7％，在临床上MRA是发现脑动脉瘤的第一个步骤。MAR发现脑动脉瘤，再由CTA确诊。动脉瘤的评价和治疗常常涉及多个医学学科.特别是复杂动脉瘤的诊断以及治疗方法的选择,极大关系着患者的预后，而部分颅内动脉瘤患者临床及影像学表现不典型,极易误导临床诊治。目前市面上没有成熟可靠的可以辅助医生分割脑动脉瘤的技术手段。

发明内容

本发明为了克服以上技术的不足，提供了一种提高网络的拟合能力，提高脑动脉图像识别与分割精度的基于3D激活函数的脑动脉瘤图像分割方法。

本发明克服其技术问题所采用的技术方案是：

一种基于3D激活函数的脑动脉瘤图像分割方法，其特征在于：

1)构建脑动脉瘤分割数据集，收集脑部MRA影像数据后标注动脉瘤掩膜和背景；

2)将颅脑MRA影像X输入残差卷积模块C₁，利用计算机经残差卷积模块C₁卷积操作处理后经3D激活函数后得到特征输出图C₁(X)；

3)利用计算机将特征输出图C₁(X)进行最大池化操作，压缩特征输出图C₁(X)，得到更新后的特征输出图C₁′(X)；

4)将更新后的特征输出图C₁′(X)输入残差卷积模块C₂，利用计算机经残差卷积模块C₂卷积操作处理后经3D激活函数后得到特征输出图C₂(X)；

5)利用计算机将特征输出图C₂(X)进行最大池化操作，压缩特征输出图C₂(X)，得到更新后的特征输出图C₂′(X)；

6)将更新后的特征输出图C₂′(X)输入残差卷积模块C₃，利用计算机经残差卷积模块C₃卷积操作处理后经3D激活函数后得到特征输出图C₃(X)；

7)利用计算机将特征输出图C₃(X)进行最大池化操作，压缩特征输出图C₃(X)，得到更新后的特征输出图C₃′(X)；

8)将更新后的特征输出图C₃′(X)输入残差卷积模块C₄，利用计算机经残差卷积模块C₄卷积操作处理后经3D激活函数后得到特征输出图C₄(X)；

9)利用计算机将特征输出图C₄(X)进行最大池化操作，压缩特征输出图C₄(X)，得到更新后的特征输出图C₄′(X)；

10)将更新后的特征输出图C₄′(X)输入残差卷积模块C₅，利用计算机经残差卷积模块C₅卷积操作处理后经3D激活函数后得到特征输出图C₅(X)；