[发明专利]一种基于结构特征优化的颈动脉级联学习分割方法

说明书

一种基于结构特征优化的颈动脉级联学习分割方法，包括以下步骤：步骤1、通过初始分割模型获得预分割S；步骤2、基于分割子区域的距离来优化分割；步骤3、基于中心线端点距离来优化分割；步骤4、基于血管方向和中心线端点向量夹角来优化分割；基于局部语义分割模型的颈动脉预分割、基于全局语义分割模型的颈动脉预分割、融合模型的颈动脉预分割进行处理后，得到优化后的三个分割结果(P’、G’、C’)；步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。本发明利用计算机图像处理技术对医学图像进行处理，能够更加直观地反映病人的具体生理情况。

技术领域

本发明属于医学图像处理领域以及人工智能技术领域，涉及一种颈动脉级联学习分割方法。

背景技术

目前在人工智能技术领域中，对于颈动脉图像的分割，主要有以下：

1)基于主动轮廓模型的自动分割：该方法属于半自动的分割方法，用运动的参数轮廓去拟合目标边界，轮廓的演化靠多次迭代，以优化能量函数来实现，而能量函数的构造涉及手工调试模型参数，一般为轮廓的外力(图像梯度)，轮廓内力(形状先验)等，此外，实现具体位置的分割还需要进行手工设置初始轮廓位置和大小。

2)基于机器学习的分割：该方法可以分为有监督机器学习和无监督机器学习两种类型，有监督的方法有SVM(支持向量机)和随机森林等方法，通过学习图像每个像素对应的人工标注来建立模型；无监督的方法典型的是基于混合高斯模型的方法，对数据集的分布进行建模，从而对像素分类。以上方法中，除了在训练时需要调试超参数之外，模型还需要手工选取多种特征来实现较好的分割效果。

3)基于深度学习的语义分割：该方法是目前比较流行的一种有监督的机器学习方法，一般有比较高的准确率，但是他需要依靠大量的数据集，并且需要花费巨大的训练代价(硬件、存储空间、训练时间)来实现，是一种端到端的方法，即用户输入一个图像，不需要用户其他操作就可以获得一个分割结果。

虽然目前技术能够基本实现大致上的颈动脉分割，但是还存在一些分割不完整或者过渡分割的区域。例如在颈动脉MRI图像中带斑块的情况(颈动脉粥样硬化)，其内腔严重狭窄，还有颈动脉分支的上侧可能存在多个小分支，从而加大了分割的难度，现有方法容易在这些位置欠分割。此外，在颈动脉周围存在一些与颈动脉相似的动脉血管，这些并不是在分析动脉斑块粥样硬化病症的目标，但是现有技术容易将这些部分作为颈动脉分割的内容，造成过度分割。

发明内容

为了克服已有技术的不足，本发明提供了一种基于结构特征优化的颈动脉级联学习分割方法，利用计算机图像处理技术对医学图像进行处理，能够更加直观地反映病人的具体生理情况，帮助医生分析与诊断病情，术前方案规划及术后评估。对于颈动脉粥样硬化(颈动脉斑块)这样病症来说，利用医学图像处理技术对其进行精确的分割，能够辅助医生工作，而本发明也提供了更加精确结果和更直观的应用方式，进一步提高了医生的工作效率。

本发明解决其技术问题所采用的技术方案是：

一种基于结构特征优化的颈动脉级联学习分割方法，包括以下步骤：

步骤1、通过初始分割模型获得预分割S:通过颈动脉分割方法获得预分割的三维二值图像；

步骤2、基于分割子区域的距离来优化分割，过程如下：

步骤2.1：对预分割S提取其区域范围信息，优化分各个结果，将n个分割区域分为最大区域R_max和待判定区域R_i(i＝1,...,n-1)；

步骤2.2：定义在S中根据8连通规则可统计所有的区域的点集R_i，其中包含体素个数最多的最大区域的点集R_m，通过计算其他区域点集与最大区域点集的欧氏距离(二范数)，以最小的欧式距离代表区域间的距离：