[发明专利]一种基于CTA图像的适用于不同分割模型的改进因子

说明书

本发明公开一种基于CTA图像的适用于不同分割模型的改进因子，具体包括加权因子及调制因子，加权因子为软权重，调制因子为Focal++因子及Exp因子。本发明优点在于：使得最终的分割精度得到提升，并同时提升训练速度和训练的稳定性。作为首个在复杂病变的CTA图像里实现血管区域分割的方法，将极大辅助医生对主动脉血管信息的掌握，从而加快医生的工作进度。从像素区域层面和切面层面，分别提出新的加权因子和新的调制因子，提升模型训练速度，增强模型训练的稳定性。加权因子平衡血管区域和非血管区域之间，使得血管区域得到更强的重视程度。调制因子增强了占比小的严重病变切面所传达信息的强度，利于模型泛化性能的提升。

技术领域

本发明涉及医疗图像处理，尤其涉及CTA图像区域分割技术领域，特别是提供一种基于CTA图像的适用于不同分割模型的改进因子。

背景技术

主动脉血管疾病往往病情凶险、进展速度快、病死率高。主动脉CT血管成像(computed tomography angiography,CTA)技术已经成为对主动脉及其重要分支血管病变做检查的主要手段。主动脉CTA为临床的研究工作提供了较为丰富的定性及定位资料。而借助于医疗图像分析技术，实现对于CTA的快速准确分析，则可以为医务工作者省却很大工作量，从而使医生有更多的时间解决其他问题。

U-net采用类似encoder-decoder的结构方式，先在降采样环节使用多次卷积池化操作做为特征提取；同时这些特征又在上采样过程中得到重用，有效的提升了上采样的特征精度。U-net的良好性能得到了众多科研工作者的青睐。在医学图像分析任务中，人们使用U-net进行处理图像，并做了多种改进以更好的适应不同任务，比如U2-Net,Unet3++等。

CE(Cross Entropy)在分类问题中取得了不错的效果，但是对于一些细节的部分就不怎么能够奏效，原因在于这些细节在整个图像中占比不高，而且有这些细节的图像在整个数据集里占比也不高。如图1a、b，这种因疾病导致血管变形的样例本就占比不多，而且该区域占整张图像的像素点数量也不多。图中横轴均是是背景像素点数量占比，纵轴分别是频数及背景和前景像素点数量的比值。从整个数据集里可以看出来，背景和前景的像素点数量的占比偏差很大。这个问题所带来的结果是，模型对于血管的不规则区域关注度不够高，导致特征提取不够准确。

WCE(Weighted Cross Entropy)则很好的解决了这个问题。WCE是在CE计算的基础上，添加了权重因子。但是，由于在每张CTA切面里，血管区域和非血管区域之间的像素点比例失衡，血管区域所占像素点过少，导致难以优化而且很重要的血管区域所传递出的反馈信息并没有得到足够大的重视，模型的优化过程变慢，性能受到限制。病变程度严重的切面所占比重不高，容易被模型忽略，但这些病变严重的切面却常常是诊断过程中关键的切面，对这些切面的分割效果差将导致医生损失重要的参考信息。

本发明使用改进之后的因子——加权因子及调制因子，基于多变化性的CTA切面，对主动脉血管区域进行分割。使得最终的分割精度得到提升，并同时提升训练速度和训练的稳定性。

发明内容

本发明的一个目的是，针对现有技术中存在的血管区域像素点比例失衡难以优化而且模型的优化过程变慢的问题，提出一种基于CTA图像的适用于不同分割模型的改进因子。

本发明的另一个目的是，针对现有技术中存在的诊断过程中关键的病变严重的切面分割效果差的问题，提出一种基于CTA图像的适用于不同分割模型的改进因子。

本发明所提出的改进因子，具体包括加权因子及调制因子，其中，加权因子为软权重，调制因子为Focal++因子及Exp因子；具体如下：

1、软权重：

使用交叉熵(Cross Entropy，CE)损失函数，加权的CE损失函数表示如下：