基于3D卷積神經網絡的腦血管分割方法技術

本發明專利技術公開了一種基于3D卷積神經網絡的腦血管分割方法，該方法涉及機器學習、模式識別、圖像處理等領域。該方法首先將標記好的腦血管造影圖像按序堆疊成3維矩陣，對于其中的血管點取25×25×25大小的patch，然后再隨機相同數量、相同大小的非血管點patch，得到訓練數據。之后將訓練數據輸入到3D卷積神經網絡用于訓練，得到訓練模型。然后將實際的血管造影序列圖像的每個像素點取25×25×25大小的patch，輸入到模型中，得到分類標簽，在將分類標簽拉伸為相同大小的圖像，即為分割血管圖像。該方法具有準確率高、泛型程度好的效果。

【技術實現步驟摘要】
【專利摘要】本專利技術公開了一種基于3D卷積神經網絡的腦血管分割方法，該方法涉及機器學習、模式識別、圖像處理等領域。該方法首先將標記好的腦血管造影圖像按序堆疊成3維矩陣，對于其中的血管點取25×25×25大小的patch，然后再隨機相同數量、相同大小的非血管點patch，得到訓練數據。之后將訓練數據輸入到3D卷積神經網絡用于訓練，得到訓練模型。然后將實際的血管造影序列圖像的每個像素點取25×25×25大小的patch，輸入到模型中，得到分類標簽，在將分類標簽拉伸為相同大小的圖像，即為分割血管圖像。該方法具有準確率高、泛型程度好的效果?！緦＠f明】基于3D卷積神經網絡的腦血管分割方法
本專利技術屬于計算機視覺領域，更為具體地講，設及一種基于3D卷積神經網絡，針對 血管造影圖像的血管分割方法。
技術介紹
隨著人們生活水平的提高，血管疾病已成為危害人們健康的首要疾病之一。血管 是人體中非常重要的器官，一旦發生病變將嚴重影響著人們的正常生活。因此，血管疾病的 早期預防、診斷和治療凸顯重要，借助于現代醫學影像手段對血管進行檢查、分析W及輔助 治療也成為該領域研究的熱點。 目前，用于血管疾病檢查和診斷的臨床技術主要有:基于射線的數字減影血管造 影（Digital Subtraction Angiography ,DSA)，基于超聲的彩色經煩多普勒成像（Color Transcranial Doppler ,CTD)，石茲共振???管造景多（Magnetic Resonance An邑io邑raphy ,MRA)， 計算機斷層掃描血管造影(Computed Tomogra地y Angiogra地y)等W上幾種。 而卷積神經網絡在自然圖像的分類及分割任務中取得了巨大成功，因此近年來將 深度學習的方法應用到醫學圖像的研究也越來越多。卷積神經網絡是人工神經網絡的一 種，已成為當前語音分析和圖像識別領域的研究熱點，它的權值共享網絡結構使之更類似 于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量。該優點在網絡的輸入是多 維圖像時表現的更為明顯，使圖像可W直接作為網絡的輸入，避免了傳統識別算法中復雜 的特征提取和數據重建過程。卷積網絡是為識別二維形狀而特殊設計的一個多層感知器， 運種網絡結構對平移、比例縮放、傾斜或者其他形式的變形具有高度不變性。
技術實現思路
本專利技術的目的在于設計一種能夠從3個維度提取圖像信息的卷積神經網絡，用于 分割腦血管圖像，該方法對傳統的2維卷積神經網絡做了 3D擴展，能夠提取相似血管造影圖 像中更多的隱含信息。 為實現上述目的，本專利技術一種基于3D卷積神經網絡的分類方法，主要包括兩個階 段:訓練階段和預測階段;訓練階段是對帶有標簽的3維腦血管造影圖像輸入進3D卷積神經 網絡，訓練網絡參數，得到訓練模型。預測階段是根據該訓練好的模型預測測試數據，分割 腦血管。 訓練階段如圖1所示，具體技術流程如下：[000引步驟一:首先對腦血管造影圖像中的血管點做好標簽，然后將標記好的圖像堆疊 成3維矩陣，對每一個血管點取25X25X25的patch即為正樣本，然后在3維矩陣中隨機取相 同數量的非血管點的path即為負樣本； 步驟二:輸入訓練樣本，對該樣本進行歸一化處理，然后進行神經網絡的訓練； 步驟Ξ:在第一層設置20個卷積核，每個卷積核大小為6 X 6 X 6，并采用全連接方 式與輸入層相連進行卷積，得到20個大小為20 X 20 X 20的特征map; 步驟四：對第一層的各個特征map進行空間上的下采樣，采樣單元為2,得到20個大 小為10 X 10 X 10的特征map,即為第二層； 步驟五:對第二層的各個特征map采用5X5X5大小的3D卷積核進行3D卷積，輸出 為40個大小為6 X 6 X 6的特征map，連接方式采用全連接，此為第Ξ層； 步驟六:對第Ξ層的各個特征map進行空間上的下采樣，采樣單元為2,得到40個大 小為3 X 3 X 3的特征map，即為第四層； 步驟屯:對第四層的各個特征map采用3X3X3大小的3D卷積核進行3D卷積，輸出 為80個大小為1 X 1 X 1的特征map,連接方式采用全連接，此為第五層； 步驟八:將第五層的各個特征map拉伸成維度為80的特征向量，然后對該特征向量 左乘一個128X80的隨機參數矩陣，得到一個128維的特征向量，此為第六層；步驟九:將第六層得到的特征向量輸入進一個Logistic Regression分類器，輸出 為一個0到1的浮點數，表示輸入樣本中屯、是血管點的概率，此為第屯層；步驟十:通過BP(反向傳播)算法對每一層的計算參數進行調整，使最終預測標簽 和訓練標簽的誤差函數最小，當誤差滿足收斂條件時，迭代結束，得到訓練模型。[001引預測階段 步驟十一:對測試圖像的每個像素點進行步驟一中的取25X25X25大小的patch 的操作，得到測試樣本，將測試樣本輸入進訓練模型，得到預測標簽； 步驟十二:設置一個闊值(如0.8)，將大于等于闊值的預測標簽設置為1，將小于闊 值的預測標簽設置為0,然后將所有的預測標簽根據對應位置回復為原本圖像大小，即為得 到的血管分割圖像?！靖綀D說明】 圖1是3D卷積的示意圖； 圖2是3D卷積神經網絡的總體結構圖。 下面結合附圖對本專利技術的【具體實施方式】進行描述，W便本領域的技術人員更好地 理解本專利技術。需要特別提醒注意的是，在W下的描述中，可能淡化本專利技術主要內容的已知功 能和設計的詳細描述將被忽略。 在本實施方案中，本專利技術一種基于3D卷積神經網絡的腦血管分割方法主要包括W 下環節:1.前向傳播、2.反向傳播。 其中前向傳播過程中3D卷積操作實現如下公式： 其中Pi，Qi，Ri為卷積核的大小，?端''是卷積核連接到前層第m個特征map中坐標為 (i，j，m)的參數。 反向傳播更新權值使用的是BP算法，3D卷積神經網絡使用的BP算法與傳統的BP算 法不同，且由于卷積神經網絡中卷積層和下采樣層交替出現，故卷積層和下采樣層的誤差 懲罰項δ的計算是不同的； 對于輸出層神經元的誤差懲罰項δ為： SL = f' (uL)O(yn-tn) 其中，yn表示神經網絡實際的輸出向量，tn為樣本對應的實際標簽，L代表最后一層 分類層，0表示點乘。 第1層的誤差懲罰項如下： Si=(wW)TSi+i〇f'(ui) 然后由計算得到的誤差懲罰項來計算權值參數的梯度。在向量模式中可W由計算 輸入向量的內積得到： 由此可看出前一層的誤差依賴于后一層的誤差，即計算梯度是由后層逐步向前層 計算的。 針對3D卷積神經網絡，其具體的卷積層的誤差懲罰項的計算如下： 其中，C為常數，表示下采樣的尺度，up為上采樣函數，即將矩陣每個維度都擴展C 倍。下采樣層的誤差懲罰項的計算如下： 其中，conv3表示3維卷積，rotlSO表示將卷積核旋轉180度，full表示卷積邊界的 方式。 得到每一層的誤差懲罰項后，就可W計算參數的梯度：其中，valid為卷積邊界的方式，表示不對邊界做任何處理。[004引相比于其他傳統的腦血管分割方法如闊值分割、區域生長、主動輪廓，我們的方法 能夠提取腦血管圖像的Ξ維特征，可W達到更好的分割效果。且由于神經網絡包含大量參 數，故得到本文檔來自技高網...

【技術保護點】
本專利技術一種基于3D卷積神經網絡的分類方法，主要包括兩個階段：訓練階段和預測階段。步驟一：首先對腦血管造影圖像中的血管點做好標簽，然后將標記好的圖像堆疊成3維矩陣，取25×25×25的patch作為樣本；步驟二：輸入訓練樣本，對該樣本進行歸一化處理，然后進行神經網絡的訓練；步驟三：在第一層設置20個卷積核，每個卷積核大小為6×6×6，并采用全連接方式與輸入層相連進行卷積，得到20個大小為20×20×20的特征map；步驟四：對第一層的各個特征map進行空間上的下采樣，采樣單元為2，得到20個大小為10×10×10的特征map，即為第二層；步驟五：對第二層的各個特征map采用5×5×5大小的3D卷積核進行3D卷積，輸出為40個大小為6×6×6的特征map，連接方式采用全連接，此為第三層；步驟六：對第三層的各個特征map進行空間上的下采樣，采樣單元為2，得到40個大小為3×3×3的特征map，即為第四層；步驟七：對第四層的各個特征map采用3×3×3大小的3D卷積核進行3D卷積，輸出為80個大小為1×1×1的特征map，連接方式采用全連接，此為第五層；步驟八：將第五層的各個特征map拉伸成維度為80的特征向量，然后對該特征向量左乘一個128×80的隨機參數矩陣，得到一個128維的特征向量，此為第六層；步驟九：將第六層得到的特征向量輸入進一個Logistic?Regression分類器，輸出為一個0到1的浮點數，表示輸入樣本中心是血管點的概率，此為第七層；步驟十：通過BP(反向傳播)算法對每一層的計算參數進行調整，使最終預測標簽和訓練標簽的誤差函數最小，得到訓練模型。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：秦臻，楊曉明，藍天，秦志光，陳圓，徐路路，陳浩，肖哲，王飛，李雪瑞，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：四川;51