[发明专利]一种颅内动脉分割方法及系统

权利要求书

1.一种颅内动脉分割方法，其特征在于，包括：

获取待分割的三维时间飞跃磁共振血管图像；

将所述待分割的三维时间飞跃磁共振血管图像输入颅内动脉分割模型得到所述待分割的三维时间飞跃磁共振血管图像中的颅内动脉图像；所述颅内动脉分割模型为对三维卷积神经网络模型进行训练得到的，所述三维卷积神经网络模型包括依次连接的第一卷积块模块和第二卷积块模块；所述第一卷积块模块包括多个依次连接的空洞卷积块，所述第二卷积块模块包括多个依次连接的三维卷积块单元，所述第二卷积块模块包括四个依次连接的三维卷积块单元；所述三维卷积块单元包括依次连接的三维卷积块和三维体素渲染神经网络模块；所述第一卷积块模块，具体包括：四个依次连接的空洞卷积块，各所述空洞卷积块均包括依次连接的空洞卷积层模块和最大池化层；所述空洞卷积层模块包括两个依次连接的三维空洞卷积层；每个三维卷积块的每一层均由两个三维卷积层和一个三线性插值层构成；所述三维体素渲染神经网络模块由体素选择策略、体素的特征提取以及体素的分类预测三个部分构成；

在所述将所述待分割的三维时间飞跃磁共振血管图像输入颅内动脉分割模型得到所述待分割的三维时间飞跃磁共振血管图像中的颅内动脉图像，之前还包括：

对所述三维时间飞跃磁共振血管图像进行重采样得到重采样图像；

对所述重采样图像进行固定阈值门限分割得到二值图像；

对所述二值图像进行凸包检测得到前景掩膜图像；

对所述前景掩膜图像进行处理得到感兴趣区域。

2.根据权利要求1所述的一种颅内动脉分割方法，其特征在于，所述颅内动脉分割模型的确定方法为：

构建三维卷积神经网络模型；

获取待训练的三维时间飞跃磁共振血管图像；

以所述待训练的三维时间飞跃磁共振血管图像为输入，以所述待训练的三维时间飞跃磁共振血管图像中的颅内动脉图像为输出，采用反向传播算法和梯度下降算法对所述三维卷积神经网络模型进行训练得到颅内动脉分割模型。

3.根据权利要求1所述的一种颅内动脉分割方法，其特征在于，在所述将所述待分割的三维时间飞跃磁共振血管图像输入颅内动脉分割模型得到所述待分割的三维时间飞跃磁共振血管图像中的颅内动脉图像之后还包括：

将所述待分割的三维时间飞跃磁共振血管图像中的颅内动脉图像输入三维可视化模块得到颅内动脉三维模型。

4.一种颅内动脉分割系统，其特征在于，包括：

第一获取模块，用于获取待分割的三维时间飞跃磁共振血管图像；

颅内动脉图像确定模块，用于将所述待分割的三维时间飞跃磁共振血管图像输入颅内动脉分割模型得到所述待分割的三维时间飞跃磁共振血管图像中的颅内动脉图像；所述颅内动脉分割模型为对三维卷积神经网络模型进行训练得到的，所述三维卷积神经网络模型包括依次连接的第一卷积块模块和第二卷积块模块；所述第一卷积块模块包括多个依次连接的空洞卷积块，所述第二卷积块模块包括多个依次连接的三维卷积块单元，所述第二卷积块模块包括四个依次连接的三维卷积块单元；所述三维卷积块单元包括依次连接的三维卷积块和三维体素渲染神经网络模块；所述颅内动脉图像确定模块中的第一卷积块模块，具体包括：四个依次连接的空洞卷积块，各所述空洞卷积块均包括依次连接的空洞卷积层模块和最大池化层；所述空洞卷积层模块包括两个依次连接的三维空洞卷积层；每个三维卷积块的每一层均由两个三维卷积层和一个三线性插值层构成；所述三维体素渲染神经网络模块由体素选择策略、体素的特征提取以及体素的分类预测三个部分构成；

重采样模块，用于对所述三维时间飞跃磁共振血管图像进行重采样得到重采样图像；

二值图像确定模块，用于对所述重采样图像进行固定阈值门限分割得到二值图像；

前景掩膜图像确定模块，用于对所述二值图像进行凸包检测得到前景掩膜图像；

感兴趣区域确定模块，用于对所述前景掩膜图像进行处理得到感兴趣区域。