[发明专利]一种三维脑血管分割方法及存储介质

权利要求书

1.一种三维脑血管分割方法，其特征在于，包括：

通过脑血管特征提取网络Edge-Net将预处理后的脑血管MRA数据进行分割，生成边缘优化的脑血管特征；

对所述脑血管特征使用最大类间方差OSTU算法，根据图像的像素概率值自动生成最佳阈值，生成最终的二值化脑血管分割结果；

所述通过脑血管特征提取网络Edge-Net将来自编码器和解码器的脑血管特征进行加权，以自适应选择边缘优化的脑血管特征，包括：

对每一层来自编码器的特征进行边缘加权，对不同层的特征之间嵌入反向边缘注意力机制REAM，进行脑血管的边缘特征提取；

将编码器提取的边缘特征与解码器恢复的边缘特征进行筛选和融合；

对筛选和融合后的边缘特征，使用预设边缘优化损失函数进行神经网络参数更新，得到边缘优化后的脑血管特征；

所述对每一层来自编码器的特征进行边缘加权，对不同层的特征之间嵌入反向边缘注意力机制REAM，并进行脑血管特征的边缘特征提取，包括：

把每层编码器输出的特征设定为P_out，在P_out上应用a×a×a卷积产生微小血管边界增强注意力权重A为：

其中h,w,d表示特征映射的大小，即高度、宽度、深度，c表示通道数，σ为Sigmoid函数；

设定上层特征为B∈R^h×w×d×c，则边界特征为：其中，h为特征映射的高度，w为特征映射的宽度，d为特征映射的深度，c为通道数，a为自然数，☉为矩阵相乘，上层特征B和注意力权重A相乘得到边缘特征，通过在不同层之间嵌入REAM以进行脑血管边缘特征的提取；

所述将编码器提取的边缘特征与解码器恢复的边缘特征进行筛选和融合，包括：

将同一层次的编码器的输出和解码器的输出分别记为F₁，F₂，对F₁，F₂进行融合，即对F₁和F₂逐元素进行相加，得到融合特征U；

对融合特征U进行全局平均池化操作，获得每一个通道上的全局信息s；

对全局信息s做全连接操作以找到每一个通道占的比重大小，并通过通道间的注意力选择不同权重的信息，在每个通道上应用softmax函数得到对应权重， 将F₁，F₂分别与对应的权重相乘后再相加得到融合后的边缘特征。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：对MRA数据进行预处理的步骤；

所述对MRA数据进行预处理，包括：

去除MRA数据中的头骨；

将去除头骨后的MRA数据随机裁剪为预设大小的数据块；

对每一数据块随机旋转预设度进行MRA数据扩充；

对扩充后的MRA数据进行零均值和单位方差归一化处理，得到预处理后的MRA数据。

3.根据权利要求1所述的方法，其特征在于，所述通过脑血管特征提取网络Edge-Net将预处理后的脑血管MRA数据进行分割，生成边缘优化的脑血管特征，包括：

通过脑血管特征提取网络Edge-Net将来自编码器和解码器的脑血管特征进行加权，以自适应选择边缘优化的脑血管特征。

4.根据权利要求1所述的方法，其特征在于，所述对筛选和融合后的边缘特征，使用预设边缘优化损失函数进行神经网络参数更新，得到边缘优化后的脑血管特征，包括：

依次通过mask标签和软边缘标签来优化融合后的边缘特征，当训练的结果达到预设要求时，使用拉普拉斯算子从mask标签中生成软边缘标签，并利用产生的软边缘标签指导神经网络，以得到边缘优化的脑血管特征。

5.根据权利要求4所述的方法，其特征在于，

所述通过mask标签优化融合后的边缘特征，包括：

通过Dice损失函数优化融合后的边缘特征；

所述通过软边缘标签来优化融合后的边缘特征，包括：

通过将Dice损失函数和二进制交叉熵(Binary cross entropy,BCE)损失函数相结合，并利用软边缘标签提取边缘特征，以使边缘特征进一步优化。