[发明专利]基于迁移卷积神经网络的磁共振图像中静脉血管分割方法

说明书

本发明公开了一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法，主要解决现有技术中静脉血管分割不精确以及泛化能力较差的问题。其实现过程是：从一个病例的图像库中取70％的图像作为训练图像，30％作为测试图像；构建成对卷积神经网络，并使用训练图像对该网络进行训练；用训练好的网络对测试图像进行粗分割，得到粗分割图像；将粗分割图像作为DRLSE模型的初始轮廓图像；初始轮廓图像进行演化，得到静脉血管的分割结果图像；针对不同病例，将已训练好的网络的参数迁移到该病例的网络中，用于完成不同病例的静脉血管分割。本发明能有效地将核磁共振图像中的静脉血管分割出来，提高了泛化能力，可用于对核磁共振医学图像的静脉血管识别。

技术领域

本发明属于图像处理技术领域，特别是涉及一种静脉血管的分割方法，可用于对磁共振医学图像的静脉血管识别。

背景技术

随着计算机技术的飞速发展，大量医学成像技术纷纷涌现，比如磁共振图像MRI、计算机断层扫描CT、脑磁图MEG、三维超声成像，正电子发射断层照相PET、单光子发射计算机断层SPECT、漫射加权成像DWI、功能磁共振FMRI等。在临床医学中，医学影像发挥的作用越来越大，尤其是磁共振、脑部CT和脑电波等。医学图像已成为医生诊断和治疗病人的重要工具和手段。

由于磁共振成像技术对软组织有较好的成像效果，因此临床上多采用磁共振技术来检测胰腺。胰腺周围存在有静脉血管，当医生需要对患者实施胰腺外科手术时，有误伤静脉血管的风险。因此，准确定位和分割出胰腺周围的静脉血管具有重要意义。从磁共振图像中可以发现，不同于其他组织，静脉血管在磁共振图像中占比很小。此外，由于磁共振图像并没有加血管增强剂，所以目标很不显著，主要存在以下问题：首先，在同一序列的MRI图像中静脉血管的形状和大小不同；其次，MRI图像中静脉血管通常很模糊；最后，MRI图像中具有与静脉血管相似影像的组织。这些问题对MRI图像中静脉血管的分割提出了严峻的挑战。

在图像分割领域中，目前较为流行的是水平集方法，分为基于边缘的水平集方法和基于区域的水平集方法。基于边缘的水平集模型主要利用边缘信息来分割图像，该模型对初始化条件和噪声较为敏感，当图像边缘比较模糊时其分割效果便不尽人意。由于磁共振图像中静脉血管的边缘很模糊，初始曲线距离目标较远且形状与目标相差较大时，基于边缘的水平集方法并不能使曲线演化到目标边界。基于区域的水平集分割模型所虽对噪声不敏感，但容易过分割。由于静脉血管周围存在有其他组织，基于区域的水平集方法将导致分割边界不理想。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法，以减少静脉血管的过分割，提高分割精度。

为实现上述目的，本发明的技术方案包括：

1)从一个病例的磁共振图像库中取百分之七十的图像作为训练图像，百分之三十作为测试图像；

2)构建出成对的卷积神经网络：

设计两个作用不同的卷积神经网络，其中第一个卷积神经网络1用于定位出静脉血管的位置，第二个卷积神经网络2用于对定位出的静脉血管区域做粗分割；将网络1和网络2进行层间的串联连接，构建出成对的卷积神经网络；

3)对成对的卷积神经网络进行：

将训练图像中属于目标的大小为25×25的图像小块作为第一卷积神经网络1的正类样本，不属于目标的大小为25×25图像小块作为第一卷积神经网络1的负类样本，用正类样本和负类样本对第一卷积神经网络网络1进行训练；

将训练图像中属于目标的大小为5×5的图像小块作为第二卷积神经网络2的正类样本，将不属于目标的大小为5×5图像小块作第二卷积神经网络网络2的负类样本，用正类样本和负类样本对第二卷积神经网络网络2进行训练，最终得到训练好的成对卷积神经网络；