【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于醫(yī)學(xué)圖像處理，特別涉及基于知覺組織規(guī)則的血管分割方法及應(yīng)用。
技術(shù)介紹
1、生物體內(nèi)的血管結(jié)構(gòu)在維持生理功能方面發(fā)揮著至關(guān)重要的作用，確保氧氣和營養(yǎng)物質(zhì)被正確地輸送到組織和器官。血管的幾何形狀和拓?fù)浣Y(jié)構(gòu)存在顯著的差異和復(fù)雜性，這些特征往往與不同的病理狀況相關(guān)聯(lián)。
2、隨著成像技術(shù)的進(jìn)步，現(xiàn)在可以通過二維(2d)或三維(3d)圖像更加準(zhǔn)確地觀察和分析血管系統(tǒng)的結(jié)構(gòu)和功能。這一增強(qiáng)的能力有助于更深入地理解疾病的進(jìn)展及治療干預(yù)的效果。例如，光學(xué)相干斷層掃描血管成像(octa)是一種非侵入性的成像技術(shù)，通過掃描視網(wǎng)膜血管區(qū)域的血流變化，生動(dòng)地描繪了眼睛中的血管網(wǎng)絡(luò)結(jié)構(gòu)。octa可以清晰地顯示毛細(xì)血管和微血管，使其在檢測青光眼、糖尿病視網(wǎng)膜病變和脈絡(luò)膜新生血管等各種眼科疾病時(shí)具有重要價(jià)值。此外，研究表明，octa揭示的微血管形態(tài)變化與包括阿爾茨海默病和輕度認(rèn)知障礙在內(nèi)的各種神經(jīng)退行性疾病相關(guān)聯(lián)。
3、類似地，磁共振血管造影(mra)提供了大腦和身體其他部位血管的詳細(xì)成像，使血管系統(tǒng)的非侵入性檢查成為可能。mra利用磁共振成像(mri)生成高分辨率的三維圖像，幫助可視化大血管和小血管。這種成像技術(shù)對于診斷和監(jiān)測動(dòng)脈瘤、動(dòng)靜脈畸形和中風(fēng)等腦血管疾病至關(guān)重要。它還在評(píng)估動(dòng)脈粥樣硬化的進(jìn)展和治療干預(yù)的效果方面發(fā)揮了重要作用。準(zhǔn)確地可視化和測量腦血流和血管形態(tài)對理解各種神經(jīng)系統(tǒng)疾病的病理生理學(xué)以及開發(fā)針對性治療策略至關(guān)重要。研究表明，mra可以揭示與多發(fā)性硬化癥和帕金森病等疾病相關(guān)的血管變化，從而增強(qiáng)對這些疾病
4、因此，自動(dòng)檢測和定量分析醫(yī)學(xué)圖像中的血管結(jié)構(gòu)對臨床研究、診斷和治療具有重要價(jià)值。目前，深度學(xué)習(xí)在醫(yī)學(xué)圖像分割領(lǐng)域的諸多應(yīng)用已經(jīng)取得了顯著進(jìn)展。深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)(cnn)，能夠有效地識(shí)別和分割醫(yī)學(xué)圖像中的不同組織。這些模型通常利用大量訓(xùn)練數(shù)據(jù)來學(xué)習(xí)從輸入圖像到輸出標(biāo)簽的映射，從而實(shí)現(xiàn)高質(zhì)量的分割結(jié)果。
5、然而，血管分割任務(wù)仍然面臨挑戰(zhàn)。首先，手動(dòng)標(biāo)注需要高度訓(xùn)練的專業(yè)人員，消耗大量時(shí)間和精力，使其在大規(guī)模、高動(dòng)態(tài)、高分辨率的數(shù)據(jù)上難以實(shí)施。此外，噪聲的存在以及疾病對圖像清晰度和組織完整性的影響進(jìn)一步加劇了血管分割的復(fù)雜性。相比之下，人類醫(yī)生利用其豐富的先驗(yàn)知識(shí)，在面對不連續(xù)或模糊的圖像時(shí)也可以較精準(zhǔn)的識(shí)別和標(biāo)注視網(wǎng)膜血管。因此，本專利技術(shù)旨在開發(fā)一種借鑒人類經(jīng)驗(yàn)的方法，能夠在少量標(biāo)注樣本的條件下，對2d和3d醫(yī)學(xué)圖像進(jìn)行可靠而準(zhǔn)確的血管分割。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供基于知覺組織規(guī)則的血管分割方法；為了解決醫(yī)學(xué)圖像標(biāo)注數(shù)據(jù)有限的問題，本專利技術(shù)構(gòu)建了cf-ssl方法。該方法重新定義了視覺規(guī)則并將其應(yīng)用到半監(jiān)督學(xué)習(xí)任務(wù)中，使低維流形中的小樣本更加稠密。這減少了模型訓(xùn)練過程中的過度擬合，提高了模型的泛化能力。本專利技術(shù)提出的基于知覺組織規(guī)則的血管分割方法其出色的診斷能力使其可以輔助于醫(yī)生的臨床工作，快速對患者的病情進(jìn)行診斷和治療。
2、具體而言，該方法受人類視覺系統(tǒng)啟發(fā)，包括兩部分：基于知覺組織規(guī)則的神經(jīng)網(wǎng)絡(luò)(pounet)和基于協(xié)變率的半監(jiān)督學(xué)習(xí)方法(cf-ssl)。pounet利用人類視覺感知的特點(diǎn)，通過計(jì)算相似性、鄰近性和連續(xù)性等知覺組織規(guī)則來增強(qiáng)血管的連貫性結(jié)構(gòu)特征的表達(dá)，從而提高分割性能。為了實(shí)現(xiàn)上述目的，本專利技術(shù)的技術(shù)方案為：一種基于知覺組織規(guī)則的血管分割方法，該方法包括如下步驟：
3、步驟1：建立基于知覺組織規(guī)則的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
4、所述基于知覺組織規(guī)則的神經(jīng)網(wǎng)絡(luò)為u-net的編碼器-解碼器架構(gòu)，編碼器-解碼器架構(gòu)包括淺層部分和深層部分，編碼器-解碼器中對應(yīng)的淺層部分和深層部分跳躍連接；所述淺層部分為卷積運(yùn)算，提取圖像中的局部低級(jí)特征，淺層部分的跳躍連接傳遞提取的局部特征；深層部分為知覺組織編碼器-知覺規(guī)則解碼器，深層部分的跳躍連接傳遞知覺規(guī)則系數(shù)矩陣；
5、所述知覺組織編碼器的方法為：計(jì)算輸入圖像的的圖像塊之間的相似率similarity、接近率proximity、連續(xù)率continuity，然后采用如下公式計(jì)算系數(shù)矩陣matrixc；
6、matrixc＝similarity+proximity·continuity
7、系數(shù)矩陣matrixc與當(dāng)前特征加權(quán)后得到知覺組織編碼器的輸出；
8、所述知覺規(guī)則解碼器的方法為，將當(dāng)前的特征與通過跳躍連接傳遞的系數(shù)矩陣加權(quán)后進(jìn)行隨機(jī)失活，得到知覺規(guī)則解碼器的輸出；
9、步驟2：采用半監(jiān)督學(xué)習(xí)方法對步驟1建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行學(xué)習(xí)；
10、步驟3：采用學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對待檢測的圖像進(jìn)行血管分割。
11、進(jìn)一步的，所述步驟2中的半監(jiān)督學(xué)習(xí)方法為基于協(xié)變率的半監(jiān)督學(xué)習(xí)方法；
12、所述基于協(xié)變率的半監(jiān)督學(xué)習(xí)方法中包括全監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，所述全監(jiān)督學(xué)習(xí)為采用帶標(biāo)注的數(shù)據(jù)對步驟1建立的基于知覺組織規(guī)則的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行預(yù)訓(xùn)練，得到一個(gè)預(yù)訓(xùn)練模型；所述無監(jiān)督學(xué)習(xí)為采用預(yù)訓(xùn)練模型對未標(biāo)注數(shù)據(jù)進(jìn)行預(yù)測，得到無監(jiān)督預(yù)測值；對未標(biāo)注數(shù)據(jù)進(jìn)行背景漂移處理，將未標(biāo)注數(shù)據(jù)對應(yīng)的無監(jiān)督預(yù)測值來標(biāo)注該數(shù)據(jù)，然后采用該數(shù)據(jù)來訓(xùn)練預(yù)訓(xùn)練模型，得到最終的優(yōu)化完成的模型。
13、進(jìn)一步的，所述步驟2中全監(jiān)督學(xué)習(xí)的損失函數(shù)為：
14、
15、其中，表示加權(quán)二值交叉熵?fù)p失函數(shù)，表示dice系數(shù)損失函數(shù)，y表示真實(shí)值，表示預(yù)測概率，w0和w1分別是分配給背景和前景的權(quán)重。
16、進(jìn)一步的，所述無監(jiān)督學(xué)習(xí)中的損失函數(shù)為
17、
18、其中，表示嵌入向量一致性損失函數(shù)，表示前景預(yù)測一致性損失函數(shù)，和分別代表真實(shí)樣本和人工樣本的量化后驗(yàn)概率分布，定義為單熱向量；n表示編碼神經(jīng)元的數(shù)量；d(·)是一個(gè)判別函數(shù)，當(dāng)兩個(gè)輸入單熱向量相同時(shí)返回0，當(dāng)它們不同時(shí)返回1；yt和yf分別代表模型在真實(shí)樣本和人工樣本中對前景的預(yù)測概率。
19、進(jìn)一步的，由于人工樣本不可避免的含有噪聲成分，在連續(xù)空間中約束人工樣本和真實(shí)樣本的嵌入向量一致性具有較大困難，所以引入向量量化方法在離散空間測量嵌入向量一致性；首先在全監(jiān)督學(xué)習(xí)中使用有標(biāo)簽的樣本來構(gòu)建碼本，碼本隨機(jī)初始化k個(gè)d維向量用于記錄不同的血管模式，血管模式包括：不同朝向的直血管、彎曲血管、分叉血管；對于編碼器輸出的一個(gè)嵌入向量z，使用最近鄰搜索將其映射到碼本中的k個(gè)向量之一，生成一個(gè)離散的表示向量zq；最后通過解碼器對zq進(jìn)行解碼，得到預(yù)測的概率圖；總體訓(xùn)練損失函數(shù)如下：
20、
21、其中，表示分割損失函數(shù)，表示防止嵌入空間體積無限拓展的約束損失函數(shù)，z表示編碼器輸出的嵌入向量，sg表示梯度截?cái)嗖僮鳎琭(·)表示解碼器，y表示真實(shí)值，表示預(yù)測概率，β設(shè)置為常數(shù)；經(jīng)過模型對于zq的優(yōu)化迭代后，得到離散的具有特征表示能力的碼本。
22、進(jìn)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于知覺組織規(guī)則的血管分割方法，該方法包括如下步驟：
2.如權(quán)利要求1所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，所述步驟2中的半監(jiān)督學(xué)習(xí)方法為基于協(xié)變率的半監(jiān)督學(xué)習(xí)方法；
3.如權(quán)利要求1所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，步驟1中相似率Similarity的計(jì)算方法為：
4.如權(quán)利要求2所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，所述步驟2中全監(jiān)督學(xué)習(xí)的損失函數(shù)為：
5.如權(quán)利要求2所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，所述無監(jiān)督學(xué)習(xí)中的損失函數(shù)為
6.如權(quán)利要求3所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，所述知覺組織規(guī)則的血管分割方法用于2D圖像時(shí)，步驟1中建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的卷積核為2D卷積核，計(jì)算連續(xù)率Continuity的Gabor卷積核為2D?Gabor函數(shù)；用于3D圖像時(shí)，步驟1中建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的卷積核為3D卷積核，計(jì)算連續(xù)率Continuity的Gabor卷積核為3DGabor函數(shù)。
7.如權(quán)利要求4所述的一種
8.如權(quán)利要求7所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，在無監(jiān)督學(xué)習(xí)過程中，采用預(yù)訓(xùn)練模型的編碼器對未標(biāo)注數(shù)據(jù)進(jìn)行編碼，編碼后輸出嵌入向量，計(jì)算該嵌入向量與碼本中距離最近的血管模式來標(biāo)注該未標(biāo)注數(shù)據(jù)，采用該最近的血管模式對應(yīng)的編碼作為后驗(yàn)概率分布，采用嵌入向量一致性損失函數(shù)來優(yōu)化預(yù)訓(xùn)練模型。
...【技術(shù)特征摘要】
1.一種基于知覺組織規(guī)則的血管分割方法，該方法包括如下步驟：
2.如權(quán)利要求1所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，所述步驟2中的半監(jiān)督學(xué)習(xí)方法為基于協(xié)變率的半監(jiān)督學(xué)習(xí)方法；
3.如權(quán)利要求1所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，步驟1中相似率similarity的計(jì)算方法為：
4.如權(quán)利要求2所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，所述步驟2中全監(jiān)督學(xué)習(xí)的損失函數(shù)為：
5.如權(quán)利要求2所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，所述無監(jiān)督學(xué)習(xí)中的損失函數(shù)為
6.如權(quán)利要求3所述的一種基于知覺組織規(guī)則的血管分割方法，其特征在于，所述知覺組織規(guī)則的血管分割方法用于2d圖像時(shí)，步驟1中建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的卷積核為2d卷積核，計(jì)算連續(xù)率continuity的gabor卷積核為2d?gabor函數(shù)；用于3d圖像時(shí)，步驟1中...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：趙世軒，李永杰，徐如祥，
申請(專利權(quán))人：電子科技大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。