1.基于解剖先验感知的医学血管分割动态优化方法,其特征在于,包括以下步骤:获取医学影像数据和对应的血管标注数据,构建成数据集,按比例将数据集划分为训练集和测试集,并对训练集中数据进行预处理和后处理;
构建分割模型,包括多尺度特征融合模块和动态蛇形卷积模块;
构建分割模型的损失函数,利用训练集和血管标注数据对分割模型进行训练;
利用训练之后的分割模型对测试集中的医学影像数据进行血管分割;
后处理是指将预处理后得到的三维体数据图像块分别在矢状位、冠状位和横轴位上进行最大强度投影,得到二维切片图像,将二维切片图像通过广播操作使尺度重构到与三维体数据图像块相同,得到3组图像块,将三维体数据图像块和3组图像块作为输入项,输入至分割模型中;
多尺度特征融合模块的工作过程包括:
将分割模型的输入特征图记为,其中表示批次大小,表示输入特征通道数,分别为三维图像的深度、高度和宽度;
将特征图输入至多尺度特征融合模块后,经过五层相同结构的特征融合;
在每一层特征融合中,特征图首先进行平均池化以提取全局特征,随后通过全连接层和Softmax归一化层自适应生成各尺度卷积分支的权重,其中,K表示K种尺度;随后,全局特征并行经过多组不同卷积核大小的卷积操作,各分支卷积结果与其权重相乘后进行求和融合,得到融合后的多尺度特征图,表示为,其中表示输出特征通道数;
其中融合后的多尺度特征图由如下公式计算得到:
,
其中,表示特征图与尺度为的卷积核进行的卷积操作;满足;
动态蛇形卷积模块的工作过程包括:
将最后一层的多尺度特征融合模块的输出特征图记为,,表示输入特征通道数;
对于特征图y进行一层3D卷积操作,输出通道为,其中P表示动态蛇形卷积的采样点数,再经过归一化和非线性激活函数tanh,得到范围约束在[-1,1]之间的偏移量,该偏移量分为两组,每组在Z、Y、X三个方向共个偏移,Z、Y、X分别代表深度、高度和宽度;再以原始整数网格为基础,分别在Z、Y、X三个方向生成个等间距相对坐标,等间距相对坐标表示为若有P个点待偏移,则在整数范围内从到生成一个长度为P的序列,将偏移量累加,得到三维浮点采样坐标;
对浮点坐标在三维空间内执行双线性插值计算,得到形变特征图,对所有通道做群归一化和ReLU激活,得到动态蛇形卷积层的输出特征图,表示为,其中表示输出特征通道数。
2.根据权利要求1所述的基于解剖先验感知的医学血管分割动态优化方法,其特征在于,分割模型包括编码器和解码器,编码器包括瓶颈层和非瓶颈层,所有非瓶颈层使用多尺度特征融合模块,瓶颈层使用动态蛇形卷积模块。
3.根据权利要求2所述的基于解剖先验感知的医学血管分割动态优化方法,其特征在于,在动态蛇形卷积模块中,给定卷积核尺寸为的卷积核K,卷积核中心坐标位置记为,则卷积核K中每一元素的位置表示为,其中是到中心元素的水平距离,则在x方向下的元素坐标计算公式如下:,
式中,表示在x方向上增加m的偏移量,表示在y方向上从位置i移动到位置i+m所有偏移量的累积和,表示在z方向上从位置i移动到位置i+m所有偏移量的累积和。
4.根据权利要求1所述的基于解剖先验感知的医学血管分割动态优化方法,其特征在于,损失函数的表达式为:,
其中,表示对应部分损失函数的权重大小,;表示分割损失函数,衡量预测结果和真实标签的区域重叠程度;是基于骨架结构感知的中心线损失函数;表示交叉熵损失,用于像素和体素级别的分类概率预测。
5.根据权利要求4所述的基于解剖先验感知的医学血管分割动态优化方法,其特征在于,权重是动态采样得到,从分布较宽的标准正态分布中采样,并且采用softmax函数作为映射函数对采样序列进行归一化;
权重计算公式为:
。
6.根据权利要求1所述的基于解剖先验感知的医学血管分割动态优化方法,其特征在于,并对训练集中数据进行预处理的步骤包括:对医学影像数据和血管标注数据分别进行重采样和Z-score标准化;
输入分割模型的图像块尺寸和批次大小根据重采样数据的中值尺寸和图形处理器的内存大小自动配置,配置规则包括:基于重采样后的中值体素形状初始化图像块大小,对所有训练集中样本根据目标间距进行重采样,再计算各样本重采样后的体素形状,将各轴上的中值形状作为初始图像块大小,若该图像块大小在某一轴上无法被分割模型下采样次数n对应的2n整除,则在该轴上向上填充至可整除大小;
基于图形处理器显存大小预算迭代调整图像块大小,根据分割模型网络架构估算给定图像块大小和批次大小时的显存消耗,如果估算显存超过设备的预算,则选择与中值形状偏差最大的轴,沿该轴减少2n个体素,并相应更新网络下采样次数和特征图大小。
7.基于解剖先验感知的医学血管分割动态优化系统,其特征在于,包括处理器和存储器,所述存储器存有血管分割动态配置程序,所述处理器在运行所述血管分割动态配置程序时执行如权利要求1至6中任一项所述基于解剖先验感知的医学血管分割动态优化方法的步骤。