[发明专利]一种基于深度学习的三维颈动脉超声图像血管壁分割方法

摘要

本发明公开了一种基于深度学习的三维颈动脉超声图像血管壁分割方法，方法包括以下步骤：(1)获取三维超声图像；(2)获得颈动脉横切面的二维超声图像，并进行人工标记；(3)利用人工标记图像块动态微调卷积神经网络模型；(4)拟合血管外膜‑中膜边界初始轮廓；(5)利用动态调整后的卷积神经网络模型进行血管外膜‑中膜边界轮廓的分割；(6)获得血管腔ROI区域；(7)利用U‑Net网络分割血管腔，并通过形态学处理提取血管腔‑内膜边界轮廓。本方法能够精确分割出血管外膜‑中膜边界MAB和血管腔‑内膜边界LIB的轮廓，较大幅度减少医生的工作量，并可基于本方法的分割结果计算得到血管壁体积(VWV)、血管壁厚度(VWT)和血管壁厚度变化(VWT‑Change)。

主权项

1.一种基于深度学习的三维颈动脉超声图像血管壁分割方法，其特征在于，该方法能够得到颈动脉血管外膜‑中膜边界MAB以及血管腔‑内膜边界LIB，具体包括以下步骤：(1)获取三维颈动脉超声图像；(2)将三维超声体素图像切成若干二维的颈动脉横截面超声图像，以预先设定的距离为间隔，在间隔的颈动脉横切面二维超声图像的颈动脉MAB轮廓上人工标记若干个点，每个被人工标记的二维超声图像上标记点总数大于等于4；(3)利用所述步骤(2)得到的被人工标记的二维超声图像及这些图像上的人工标记点，对每一个人工标记点，以该人工标记点为中心取一个大小满足预先设定条件的图像块作为正样本，再在该人工标记点的内侧和外侧各取一个大小满足预先设定条件的图像块同时作为负样本，由此得到基于所有人工标记点的正样本和负样本，然后利用这些正样本和负样本对已经训练好的卷积神经网络模型进行参数上的细节调整，得到动态调整后的卷积神经网络模型；(4)针对所述步骤(2)得到的每个被人工标记的二维超声图像，利用其中的若干个人工标记点拟合得到该人工标记的二维超声图像上颈动脉血管MAB的初始轮廓；然后再利用这些人工标记的二维超声图像上MAB的初始轮廓，拟合得到没有人工标记切面图像中MAB的初始轮廓；这些没有人工标记切面图像中MAB的初始轮廓按位置插在相应所述人工标记的二维超声图像上MAB的初始轮廓之后，由此整体形成了MAB的初始三维轮廓；(5)针对所述步骤(4)得到的所述MAB的初始三维轮廓，对每一副颈动脉的横切面图像，选择大小满足预先设定条件的方框，将方框中心沿着MAB的初始轮廓上任意一个点的法线方向在预先设定的法线长度范围内对外内两侧进行滑窗，得到针对该初始轮廓点的一系列的图像块；然后，将得到的图像块输入到所述步骤(3)中动态调整后的卷积神经网络模型中得到每个图像块是否为与该初始轮廓点相对应的MAB轮廓的概率输出值，其中概率输出值最高的图像其方框中心点即为与该初始轮廓点相对应的MAB轮廓；对MAB的初始轮廓上每个点重复操作，即可得到每一副颈动脉的横切面图像的MAB轮廓；(6)根据所述步骤(5)中获得的MAB轮廓利用外接矩形得到颈动脉血管腔的感兴趣区域ROI区域；(7)将所述步骤(6)得到的ROI区域输入到已训练好的改进的U‑Net网络模型中最终得到分割二值图像，并通过形态学的方法最终得到LIB的轮廓；其中，所述改进的U‑Net网络模型中，除最后一个卷积模块外前几个卷积模块都包含一个短跳跃连接，该短跳跃连接从卷积模块的输入直接连接到输出。