[发明专利]动脉血管图像模型训练方法、分割方法、装置及电子设备

权利要求书

1.一种动脉血管图像分割模型训练方法，其特征在于，包括步骤：

S1、对获取到的DSA图像进行预处理，以构建动脉血管图像库；

S2、对所述动脉血管图像库中的部分样本图像进行标注，以构建标注样本图像集；

S3、构建卷积深度网络，并设置深度网络参数，生成初始动脉血管分割模型；

S4、使用所述标注样本图像集训练所述初始动脉血管分割模型，生成动脉血管图像分割模型；

S5、对于使用所述动脉血管图像分割模型分割所述动脉血管图像库中除所述部分样本图像之外的其他图像得到的血管目标图像，进一步进行标注，以对所述动脉血管图像分割模型进行迭代训练。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

S11、从DICOM文件中解析出多个医疗影像，并对所述多个医疗影像按照预设规则进行叠加融合，生成所述DSA图像；

S12、对所述DSA图像进行图像缩放、截断阈值化处理、对比度增强处理及图像去噪声处理。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

S21、对所述部分样本图像进行像素级别的标注操作，生成标注样本图像；

S22、对所述标注样本图像和所述标注样本图像对应的所述部分样本图像进行对应增强，构建所述标注样本图像集。

4.根据权利要求1所述的方法，其特征在于，所述部分样本图像的图像尺寸为(512，512，1)，所述步骤S3中构建卷积深度网络包括：

S31、将所述部分样本图像输入至卷积层L_conv(K_size,T1_num)进行T1次卷积操作，得到第一阶段的特征图F_conv(x,y,T1_num)，其中，K_size表示x,y表示经过卷积输出的图像大小，T1_num表示第T1个卷积层输出的卷积核个数；

S32、对所述特征图F_conv(x,y,T1_num)进行第T1次非线性激活，得到经过激活后的特征图F_a(x,y,T1_num)；

S33、将所述特征图F_a(x,y,T1_num)输入至池化层L_pool(K_pool,S)进行图像降采样，得到第一阶段的特征图F_o(x,y,O1_num)，其中，K_pool表示下采样的核大小，S表示滑动步长，O1_num表示第一阶段特征图的数量；

S34、重复步骤S31至步骤S33，直至得到图像尺寸为(32，32，1024)的特征图F1；

S35、将所述特征图F1输入至卷积层L_conv(K_size,T2_num)进行T2次卷积操作，得到第二阶段的特征图F_conv(x,y,T2_num)，其中，T2_num表示第T2个卷积层输出的卷积核个数；

S36、对所述特征图F_conv(x,y,T2_num)进行第T2次非线性激活，得到经过激活后的特征图F_a(x,y,T2_num)；

S37、将所述特征图F_a(x,y,T2_num)输入至上采样层U_s(K_upsample,S)进行图像上采样，得到第二阶段的特征图F_o(x,y,O2_num)，其中，K_upsample表示上采样的核大小，S表示滑动步长，O2_num表示第二阶段特征图的数量；

S38、将第一阶段与第二阶段图像尺寸相同的特征图进行拼接，得到拼接后的特征图F_concat(x,y,T_num)，其中，T_num表示由T1_num和T2_num拼接后卷积层输出的卷积核个数；

S39、重复步骤S35至步骤S38，直到得到图像尺寸为(512，512，1)的特征图F2，即完成构建所述卷积深度网络。