[发明专利]基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统

说明书

本发明提出了一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，包括：样本预处理模块：提取范围为[A,B]的HU值，然后归一化到[0,1]；样本生成模块：采用滑动窗口的方法得到样本，然后采用训练样本平衡法对样本进行训练；网络训练模块：将样本输入到网络中进行训练；识别模块：采用由粗到细的分割策略，获得分割结果；样本预处理模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与网络训练模块的输入端相连，网络训练模块的输出端与识别模块的输入端相连。本发明能够快速、稳定和准确的分割颅内动脉瘤。

技术领域

本发明涉及医学影像领域，特别是涉及一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统。

背景技术

颅内动脉瘤(intracranial aneurysms,IAs)是一种常见的具有高致残和致死性的颅内血管疾病。及时的诊断和治疗能有效的降低IAs患者的致残率/死亡率。准确的分割能提供包括IAs的体积、形态和位置等信息，可以帮助医生做出准确的病情评估和后期的治疗计划。目前IAs的分割主要依赖于人工标注。标注过程枯燥、费时费力并且标注的结果容易收到人员内在因素的影响(例如标注者的经验、心情等)。因此临床急需一种快速、稳定和准确的IAs分割方法。

近年来，受益于深度学习特别是卷积神经网络技术的快速发展(例如UNet，ResNet，DenseNet，Attention等)，基于深度学习的方法已经在多个医学图像处理任务中取得了突破性进展，例如肺结节的检测、肺部管脉系统的分割(支气管、肺静脉、肺动脉等)、虚拟超声等。目前基于深度学习的方法凭借其强大的特征提取能力已经取代传统方法(例如水平集，阈值分割等)成为医学图像分析的主流。目前对于IAs的准确分割仍然是一个富有挑战性的任务，这主要由于以下几个方面造成：

1)IAs体积很小。如图1所示，IAs只占据整个图像很小的一部分(0.05‰)，这意味着模型训练过程中将面临严重的前景-背景不平衡，如果不能得到有效的处理，会导致网络精度降低，更严重者会干扰模型优化导致网络完全失效；

2)不同IAs之间的形态、位置、和大小差异很大，这在一定程度上阻碍了IAs的自动分割；

3)IAs和周围的血管在形态上差异度很小，在分割过程中常常会造成错误分割或者遗漏，这在很大程度上干扰了模型对IAs的准确分割，如图1所示。

根据网络输入的不同可以大致将深度学习的方法分为两类：2D CNNs和3D CNNs，这两种方法各有优缺点。2D CNNs利用二维图像切片(slice)的组合作为网络的输入，因此通常情况下拥有更多的训练样本。此外，2D CNNs结构简单，有很成熟的研究体系，一些突破性的进展往往是在2D CNNs实现的然后再拓展到3D CNNs网络，因此利用2D CNNs进行医学图像分割有很多可借鉴的地方，同时可以利用预训练模型进行网络初始化提高分割效果。但是前期利用2D CNNs进行IAs分割时我们发现，分割的结果会出现严重的过分割，即将部分动脉也分割为动脉瘤，且分割边缘精度较差，三维轮廓不平滑，难以满足临床评估的需求，这主要由于——尽管利用多角度(矢状位、冠状位和横断位进行IAs)分割能再一定程度上缓解上述现象，但仍存在一定程度的过分割和遗漏现象。3D CNNs以体数据块组合的patch作为网络额输入能很好的利用医学图像的空间特征信息，提高整体的分割效果，但是直接对整个颅内图像采用3D CNN网络进行训练，硬件上需要大显存GPU，算法上由于样本不平衡问题很难收敛。3D CNNs往往参数较大，会增大整体分割系统的复杂性和存储负担。此外3D CNNs测试过程往往耗时较长，这在一定程度上干扰了其临床应用。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统。

为了实现本发明的上述目的，本发明提供了一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，包括：