[发明专利]一种结合全局和邻域信息的血管分割方法

说明书

一种结合全局和邻域信息的血管分割方法，在Unet网络的基础上提出了Gnet分割网络，该网络使用全新的下采样方式以及在跳跃连接处结合长短时记忆网络，优化了对特征信息的提取，减少了图像信息的损失。其次本发明将上步提出的网络作为基础的分割框架，提出了一种并行的计算邻域信息的网络Rnet，并将该网络的损失函数作为基础分割网络的惩罚项去训练分割网络Gnet。本发明显著提升了对MRA影像处理中对大脑血管分割的精确度，并能有效解决细小血管分割断裂的情况。

技术领域

本发明涉及医学图像处理和人工智能领域，是一种基于深度学习的脑血管图像分割方法。

背景技术

目前，脑血管疾病已经成为神经外科疾病中致死率最高、好转率最低的疾病之一。对医学图像的分割准确与否决定了医生在临床中能否提供可靠的诊疗依据。并且，在神经外科和心脑血管等不同临床医学领域中，对血管进行分割重建对于的病情诊断、治疗方案以及临床结果的评估都至关重要。因此，对血管准确、快速地分割已经成为医学影像学研究的热点之一。

现有的医学图像分割方法可分为两类，第一类是传统的半自动分割方法，如阈值法、基于追踪的方法、基于聚类的方法和基于模型的分割方法等，但这些方法不仅耗费大量人工时间干预和操作，而且严重依赖于专家的专业知识和经验，因此也存在着大量主观差异。第二类是以深度学习为代表，基于人工智能的分割算法。随着深度学习研究热潮的兴起以及其在医学图像分割上性能强大，基于深度学习的医学图像分割的相关研究迅速增长。

近年，有研究学者提出的U-Net网络在医学图像分割领域展现了优秀的性能。其特殊的U型结构和skip-connection操作使网络能结合低分辨率和高分辨率的信息，较好的适配了医学图像的特征。然而基于CNN的U-net网络必然带来其计算量的提升，其过多和冗余地使用计算资源和模型参数导致了模型重复提取相似的低级特征，在一定程度上降低了其分割能力。并且将U-net网络应用于脑血管分割时，会出现大脑细小血管断裂、与大血管不连通等现象，极大降低了血管分割的精确性。结合脑血管的重要性及其位置的特殊性，分割精度和结果的不精确现象对目前研究和临床应用产生了巨大阻碍和挑战。

发明内容

现有基于深度学习的方法主要从全局的角度考虑图像的信息，因此会出现大量的不连通区域，且边界分割效果很差。为了提高脑血管分割的精确性，本发明提出了一种结合全局和邻域信息的血管分割方法，显著提升了对MRA影像处理中对大脑血管分割的精确度，并能有效解决细小血管分割断裂的情况。

本发明解决其技术问题所采用的技术方案是：

一种结合全局和邻域信息的血管分割方法，所述方法包括以下步骤：

步骤1数据预处理

脑血管系统一般在颅内体积中所占比例相对较小(约1％～5％)，FMM的性能很大程度上依赖于背景区域(即非血管区域)的拟合，而对血管区域内的拟合依赖较小，同时数据中保留大面积的背景也会造成计算负担，影响模型的处理时间；因此，进行了颅骨剔除和偏置场校正，生成训练样本；

步骤2构建血管分割网络Gnet

搭建结合全局信息的网络模型Gnet，使用步骤1中生成的训练样本训练该网络模型，然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标图像；

进一步，所述步骤2中，血管分割网络Gnet包括在Unet网络的基础上使用全新的下采样方式以及在跳跃连接处结合长短时记忆网络，优化了对特征信息的提取，减少了图像信息的损失，具体过程如下：

2.1通过加入ConvLSTM网络模块以优化跳跃连接过程，ConvLSTM网络优化的跳跃连接过程能够进一步结合图像的空间信息，加强原始特征的传播和编码，以消除跳跃连接中不相关的噪声效应产生的歧义，使分割定位更加精确；