[发明专利]一种结合多种网络的半监督冠状动脉分割系统及分割方法

说明书

本发明属于医学图像处理、计算机辅助诊断技术领域，公开了一种结合多种网络的半监督冠状动脉分割系统及分割方法，在原始图像上，沿着坐标轴提取二维图像切片作为样本，构造训练数据集和测试数据集；构建卷积神经网络用于二维血管切片的识别；构建多尺度特征分解网络用于二维血管切片中冠状动脉血管的分割；设计结合监督学习和无监督学习的损失函数；将含有血管的切片作为输入训练多尺度特征分解网络，并对测试图像完成血管分割任务。本发明结合无标签数据进行半监督学习，降低了获取数据标签的难度，提高了分割精度；本发明实现了对冠状动脉血管的自动分割，具有精确、快速、无需人为干预、节约标签资源的特点。

技术领域

本发明属于医学图像处理、计算机辅助诊断技术领域，尤其涉及一种结合多种网络的半监督冠状动脉分割系统及分割方法。

背景技术

目前，心血管疾病是人类因疾病导致死亡的主要原因，目前心血管疾病每年夺去的生命比癌症和慢性肺病加起来还要多。早期发现动脉异常至关重要的，这样可以通过控制各种具有风险因素的行为，如吸烟、不健康饮食等等避免或延迟未来心脏异常的发生。冠状动脉疾病是最常见的心血管疾病之一，冠状动脉的分割对心血管疾病的准确定位和定量分析具有重要意义。近年来，非侵入性成像技术的发展使诊断的准确性发生了革命性的变化，现代设备可以对内部器官的亚毫米细节进行成像。随着计算机技术的发展，三维成像得以实现，较多用于心脏部位的计算机断层扫描造影(CTA)可以根据强度很好的签别内脏器官。在心脏CTA中，充血的血管相比于周围的组织更加明亮一些，这使得手动跟踪冠脉结构具有合理的准确性。医学中的分割在研究解剖结构、临床诊断、屈曲度定量、狭窄和血管生成等方面有广泛的应用。在临床诊断中，分割有助于建立患者对治疗的反应，确定疾病的阶段。一些可用的技术是基于手工的。然而，由于数据量较大且比较复杂，手工分割是繁琐，复杂且耗时的，而且，诊断的准确性取决于放射科医生以往的经验和专业知识，因此，自动化分割的深入研究便具有很大的意义。有效诊断的第一步便是将感兴趣的解剖对象从背景中分割出来，即血管分割算法是自动放射诊断系统的关键组成部分。冠状动脉分割中应用较多的区域增长法，需要从种子点开始逐步增加新的像素，其通常需要用户提供种子点且由于噪声的存在易产生过分割现象；近年来，基于机器学习的血管分割算法得到了快速的发展，方法将血管分割问题看做像素分类问题，将每个像素判断为血管或非血管，但是特征提取算法的设计复杂性与应用局限性、以及特征提取算法与分类器结合的多样性限制着传统机器学习方法在该领域的应用；深度学习方法也被用于冠状动脉分割任务中，但是训练模型需要大量的标签，专家手工分割冠脉代价昂贵，且存在观察者误差，因此很难拥有大量冠状动脉标签。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有的部分冠状动脉分割方法需要人工干预。

(2)传统的机器学习方法需要人工设计特征，而在该领域难以实现理想的分割精度；

(3)专家手工分割冠脉代价昂贵，很难拥有大量冠状动脉标签。

解决以上问题及缺陷的难度为：

(1)区域生长法需要从种子点开始判断周围像素是否具有相似的强度值从而逐步增加新的像素，随着医学影像数量的增加将会耗时耗力。

(2)基于机器学习的冠状动脉分割方法，由于特征选择的复杂性、分类器的多样性，如何选择有效的特征及合适的分类器是一个难题。

(3)训练模型需要大量的标签，专家手工分割冠脉代价昂贵，且存在观察者误差，因此很难拥有大量冠状动脉标签。

解决以上问题及缺陷的意义为：

(1)冠状动脉的全自动分割，可以解决需要人工给定种子点的问题，大大提升处理图像的速度。

(2)深度学习网络使用语义分割的方法，有效避免手工设计特征带来的不确定性，增加了分割结果的准确率。