[发明专利]基于深度神经网络的血管模型提取方法

说明书

本发明公开一种基于深度神经网络的血管模型提取方法，包括：步骤1：血管数据增强，通过T_Frangi算法，依据空间尺度理论，从而将血管数据进行增强；步骤2：候选数据保留；步骤3：血管连通区域特征计算；步骤4：深度神经网络训练，将血管特征组成的元组作为输入来训练神经网络，从而获得血管提取模型。本发明所述的基于深度神经网络的血管模型提取方法，在深度增强后的血管候选区域上，利用血管连通性，构建每个连通区域的五元特征组，训练神经网络模型，从而对血管进行提取，该方法无需对整个体数据进行训练，只需考虑候选血管连通区域部分的计算，能有效去除孤立点，提取精确度高，具有较大的灵活性。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种基于深度神经网络的血管模型提取方法。

背景技术

血管提取是许多医学成像应用的基石，如急性缺血性脑中风，血管提取对于血管闭塞的量化以及侧支流的评估等非常重要；而冠状动脉粥样硬化的诊断，血管提取是管腔狭窄检测必不可少的步骤。

血管提取算法一般可以分为两类：一类是活动轮廓模型，如测地线活动轮廓模型等。由于血管边缘处的灰度值与周边组织的灰度值相近，利用边界梯度和区域信息难以精确分割出血管；而且活动轮廓模型需要依据数据的不同进行参数的调整，运行时间长，临床应用有限，第二类是统计模型，如随机概率模型等，由于血管在整个大脑中所占比例比较小，尤其是细小血管几乎与背景融为一体，而且统计模型最终是对整个体数据寻找一个最优阈值，因而基于统计信息的模型很难提取出较小的血管。

例如，中国发明专利申请号为CN200910248901.1专利申请文献公开了一种基于超声回波的血管实时二维动态信息提取方法，其特征在于包括以下步骤：在超声二维图像上形成，显示血管指示光标；在血管指示光标的控制下，对血管原始数字射频回波数据进行血管直径信息提取，得到血管直径数据和血管直径的变化数据，直径信息的表示单位是采样点个数；根据血管指示光标及上述血管直径信息确定血管的实际直径和波动大小；根据上述血管直径和血管直径的变化信息，结合其他现有信息即心电信息、血流频谱图，进一步计算血流量、血管波动范围和特征点，以及血流直径环图，得到血管实时二维动态信息。

一般的二维提取很难考虑到血管的三维特性，而三维提取运行效率不高，且提取结果中存在不同程度的孤立点或非血管区域。

鉴于现有技术中存在的如上的技术问题，本发明提出一种基于深度神经网络的血管模型提取方法。

发明内容

本发明提供一种基于深度神经网络的血管模型提取方法，在深度增强后的血管候选区域上，利用血管连通性，构建每个连通区域的五元特征组，训练神经网络模型，从而对血管进行提取，该方法无需对整个体数据进行训练，只需考虑候选血管连通区域部分的计算，能有效去除孤立点，提取精确度高，具有较大的灵活性。

为达到上述目的，本发明采用以下技术方案：

一种基于深度神经网络的血管模型提取方法，包括如下步骤：

步骤1：血管数据增强，通过T_Frangi算法，依据空间尺度理论，从而将血管数据进行增强；

步骤2：候选数据保留，计算不同响应值下保留的候选数据占原始血管数据的比例；同时依据血管容量在组织中的容积比，选择大于且接近容积比的响应值进行候选数据的保留；

步骤3：血管连通区域特征计算，根据血管连通性，对每个连通区域的特征进行计算提取，同时对每个连通区域标记为血管区域或非血管区域；

步骤4：深度神经网络训练，将血管特征组成的元组作为输入来训练神经网络，从而获得血管提取模型。

进一步地，T_Frangi算法为：