[发明专利]一种基于深度序列信息融合的冠脉造影图像分割方法

权利要求书

1.一种基于深度序列信息融合的冠脉造影图像分割方法，其特征在于，所述方法包括以下步骤：

步骤1：获得冠脉血管造影图像序列；

步骤2：选取序列中某一帧为分割帧，即分割模型的目标是获得该帧对应的血管二值图像；

步骤3：对于序列中的所有图像进行灰度归一化；

步骤4：以分割帧为固定图像，对序列中的其他图像进行配准；

步骤5：对于标签进行处理，将前景血管像素标记为1，将背景像素标记为0；

步骤6：在图像序列中挑选与分割帧绝对平方误差最小的32张图像，并以原始序列中的顺序将这多张图像数据以通道合并的方式组成一个多通道张量；

步骤7：编写X型网络X-Net模型，该网络包括两个输入端与两个输出端，其中两个输入端的输入分别是分割帧和序列数据，两个输出端都是分割帧对应的二值分割标签；

步骤8：根据步骤7中编写完成的卷积神经网络，对于分割帧端的输出采用交叉熵与dice损失进行优化，对于序列端的输出采用交叉熵损失函数进行优化；

步骤9：根据步骤7对于网络进行训练至收敛则得到了冠脉造影图像分割网络模型；

所述步骤7中：X-Net模型架构，具体如下：

该模型分为两个U型网络；

其中一个U型网络以序列数据张量为输入，分割帧对应标签为输出监督，称为序列网络；

另一个U型网络以分割帧数据为输入，分割帧对应标签为输出监督，称为分割网络；

两个U型网络通过瓶颈层特征融合模块相连，将序列网络的特征添加到分割网络中去，为单帧图像分割添加序列上下文信息。

2.根据权利要求1所述的基于深度序列信息融合的冠脉造影图像分割方法，其特征在于，

X-Net模型架构细节如下：

序列网络中包含一个3D编码模块和一个2D解码模块；

分割网络中包含一个2D编码模块和一个2D解码模块，以及从编码模块到解码模块的跳跃连接；

特征融合模块定义如下，其包含张量乘操作、softmax函数、张量加法操作：

其中F_seg，F_seq，分别表示分割网络和序列网络对应的特征张量及其转置，Softmax(·)代表softmax函数，×代表矩阵相乘。

3.根据权利要求2所述的基于深度序列信息融合的冠脉造影图像分割方法，其特征在于，所述的编码、解码模块细节：

3D编码模块包含5个3D卷积模块和4个最大池化层，每个3D卷积模块由3D卷积层、归一化函数、激活函数组成；

2D解码模块包含5个2D卷积模块和4个上采样层，每个2D卷积模块由2D卷积层、归一化函数、激活函数组成；

2D解码模块包含5个2D卷积模块和4个最大池化层，每个2D卷积模块由2D卷积层、归一化函数、激活函数组成。

4.根据权利要求3所述的基于深度序列信息融合的冠脉造影图像分割方法，其特征在于，步骤3：对于序列中的所有图像进行灰度归一化，具体如下：

对于所有图像数据进行灰度归一化，灰度归一化公式为：

其中I(i，j)，N(i，j)表示原图像和归一化后图像像素(i,j)的灰度值，min，max分别表示原图像中最小灰度值和最大灰度值。

5.根据权利要求3所述的基于深度序列信息融合的冠脉造影图像分割方法，其特征在于，步骤7中，对于标签数据进行二值化；

随机挑选一组数据包括分割帧、配准后的序列数据、标签，输入到网络模型中；

得到模型的输出，针对分割网络和序列网络两个输出，都计算损失函数进行反向传播，判断模型是否收敛，如收敛，则保存模型，如未收敛，则继续重复随机挑选一组数据的步骤。