[发明专利]基于半监督一致性学习的3D冠状动脉图像分割方法

说明书

本发明公开了一种基于半监督一致性学习的3D冠状动脉图像分割方法，包括：采集原始3D心脏CT图像数据，并对采集到的原始3D心脏CT图像数据进行预处理，采用随机旋转、对比度增强和随机裁剪方式对数据进行扩充增强；引入一致性学习，构建两个阶段半监督训练方式的3D冠状动脉分割模型；将待分割的3D心脏CT图像输入到第一阶段的3D冠状动脉分割模型中进行预测得到伪标签特征图，并将所述伪标签特征图输入第二阶段的3D冠状动脉分割模型，得到分割结果。采用半监督一致性学习的方法可以在实现完全监督性能的前提下，高效利用大量的无标签数据，将1:4比例的标签数据与未标签数据输入3D冠状动脉分割模型，使用标签数据标记未标签数据，从而有效地增加训练数据。

技术领域

本发明涉及医学图像分割技术领域，尤其涉及一种基于半监督一致性学习的3D冠状动脉图像分割方法。

背景技术

冠状动脉计算机断层血管造影是诊断冠状动脉疾病的主要手段。准确、鲁棒地从3D心脏CT图像中分割出冠状动脉在临床诊断和治疗中起着至关重要的作用。受图像质量、标注精度、血管末端有效3D心脏CT图像像素少、静脉组织结构干扰的影响，对冠状动脉的精确分割有着一定的挑战。常用的血管分割算法有：基于统计学的分割方法、基于活动轮廓模型的分割方法、基于区域分割方法、基于边界跟踪的方法、基于阈值的方法。这些方法对于不同病例的适应性较差，计算代价大、易导致图像过分割等缺点。因此存在冠脉末端断裂或缺失导致分割结构不完全、静脉或其他组织被误当作冠脉的问题。

随着卷积神经网络(CNNs)的出现，涌现了一系列监督学习方法，这些方法依照事先标注的标签完成对医学图像端到端的语义分割，图像分割的整体性能得到了极大的提高。CNNs已普遍地应用在了图像分割任务中。与传统方法相比，卷积神经网络拥有良好的特征表达能力且不需要人工提取图像特征。因此它能够很好的应对组织结构复杂的医学图像分割任务，不需要对图像进行过多的预处理操作。CNNs一般具有输入层、卷积层、激活层、池化层、输出层五个层级结构。其中，对图像进行预处理操作一般发生在输入层，图像经由输入层的一系列预处理操作之后通过卷积层的卷积操作进行特征提取和局部感知，获取特征图。激活层的设置有利于网络表达能力的加强，一般来说是对卷积层输出结果的非线性映射，常用的激活函数有sigmoid、tanh、relu、leaky relu等。池化层也称欠采样或下采样层，目的是特征降维，压缩数据量，减小过拟合，提高模型的泛化性，常用的有最大池化(MaxPooling)和平均池化(Average Pooling)。输出层也称全连接层，连接分类器，如softmax分类器等。

然而冠脉CT图像复杂，在3D医学图像中分割血管仍然具有非常多的挑战。其中挑战之一是存在假阳性，不能确保分割的结果在空间上是连通的，有可能存在孔洞或毛刺。此外冠状动脉血管远距离拓扑结构复杂加上CT图像中经常存在成像伪影，因此基于CNN的分割算法还是易于丢失血管的某些片段，从而导致所提取的血管中心线不连续。医学成像的监督式深度学习方法还依赖于大量的标注数据，手动收集冠状动脉数据在需要专业知识的同时又十分耗时，特别是在3D图像中。

发明内容

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于半监督一致性学习的3D冠状动脉图像分割方法。

为实现本发明的目的所采用的技术方案是：

一种基于半监督一致性学习的3D冠状动脉图像分割方法，所述方法包括：

步骤1，采集原始3D心脏CT图像数据，并对采集到的原始3D心脏CT图像数据进行预处理，采用随机旋转、对比度增强和随机裁剪方式对数据进行扩充增强；

步骤2，引入一致性学习，构建两个阶段半监督训练方式的3D冠状动脉分割模型；

步骤3，将待分割的3D心脏CT图像输入到第一阶段的3D冠状动脉分割模型中进行预测得到伪标签特征图，并将所述伪标签特征图输入第二阶段的3D冠状动脉分割模型，得到分割结果。