[发明专利]一种主动脉夹层分割模型的构建方法及应用

权利要求书

1.一种主动脉夹层分割模型的构建方法，其特征在于，包括：

A、获取指定数量的主动脉夹层患者的主动脉区域的CTA图像；

B、对所述CTA图像进行预处理，并通过卷积神经网络提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息；

C、根据所述图像特征及所述位置标注信息，通过多任务网络Multi-task UNet进行训练，以获取训练后的主动脉夹层分割模型；

D、选取指定数量的CTA图像作为验证集，对所述主动脉夹层分割模型进行验证；其中，所述CTA图像包含有提取后的图像特征及位置标注信息；包括：

D1、将验证集中的原始的未标注的CTA图像输入至所述主动脉夹层分割模型中，通过该模型输出所述CTA图像中的主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果；

D2、将所述预测结果与其对应的CTA图像的金标准分割的位置标注信息进行重叠度比对以及获取两者之间的Hausdorff距离；

D3、采用最大化所述重叠度的同时最小化Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理，继续对所述主动脉夹层分割模型进行训练至所述重叠度最大且所述Hausdorff距离最小。

2.根据权利要求1所述的方法，其特征在于，步骤D3所述混合损失函数的获取方式为，包括：

将所述重叠度进行可微分处理，且将所述Hausdorff距离进行可微分处理；

根据可微分处理后的重叠度以及可微分处理后的Hausdorff距离获取针对主动脉、真腔和假腔的每一分割任务的损失函数；

根据所述每一分割任务的损失函数获取最终的混合损失函数。

3.根据权利要求2所述的方法，其特征在于，所述重叠度的可微分的表达式为：

其中，为模型输入的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；则表示背景或前景的标签，则表示的第i个体素；

ρ为模型输出的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；ρ_c则表示背景或前景的标签，则表示ρ_c的第i个体素；

其中，若假设标签的尺寸为a×b×c，则体素的个数为a×b×c；

其中，和分别表示两个体素值相乘；

所述Hausdorff距离的可微分的表达式为：

其中，Γⁱ₁和Γⁱ₂分别是金标准Γ₁和模型预测结果Γ₂的第i层图像的轮廓；D表示轮廓所在的二值图像；f(x)表示表示任意连续严格单调函数；是函数在D上的面积分；m(D)是由二值图像D计算得到的一个常数。

4.根据权利要求3所述的方法，其特征在于，所述每一分割任务的损失函数的表达式为：

其中，所述混合损失函数的表达式为：

i表示主动脉、真腔、假腔；表示主动脉分割任务损失函数、真腔分割任务损失函数、假腔分割任务损失函数；α为系数。

5.根据权利要求1所述的方法，其特征在于，步骤B所述预处理，包括：

对图像分辨率进行归一化处理，使得x,y,z轴分辨率都为1mm；

将图像像素值转化为Hu值，并把Hu值限制在(0，600)范围内，并对图像Hu值进行归一化处理，得到均值为0，方差为1的图像值；以及

对图像进行随机的[-10,10]度之间的旋转，以进行数据扩充。

6.一种基于权利要求1-5任一项所述方法构建的主动脉夹层分割模型的主动脉夹层分割方法，其特征在于，包括如下步骤：

A’、输入患者的主动脉区域的CTA图像至所述主动脉夹层分割模型中；

B’、输出所述主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果。

7.根据权利要求6所述的方法，其特征在于，所述步骤B’之后还包括对分割的预测结果进行后处理，具体为：

C’1、对分割的预测结果中的主动脉部分选择最大的连通区域，去除其他的误分割；且用最大的二值化连通区域对真腔和假腔相乘，以保证真腔假腔都在主动脉区域内；和\或

C’2、采用cv2.GaussianBlur对分割的主动脉，真腔和假腔z轴的每一层进行平滑处理；和\或

C’3、对预测结果中真腔、假腔分割重叠部分的处理：

设真腔分割时对图像的体素V预测为前景和背景的概率分别为和P₁和P₂，P₁＞P₂；假腔分割时对图像中的体素V预测为前景和别境的概率分别为P₃和P₄，P₃＞P₄；计算Δ₁＝P₁-P₂和Δ₂＝P₃-P₄，若Δ₁＞Δ₂则将体素V归类为真腔，反之归类为假腔。