买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：基于特征对齐域的SP‑CTA图像冠脉分割方法与装置，方法包括：1图像预处理：对源域图像及其标注数据进行缩放，使同一病人的CTA图像和SP‑CTA图像具有相同的大小；2在特征提取阶段，采用特征共享的方式使SP‑CTA图像能够有效利用CTA图像空间学习的知识，进而加速网络的收敛；在卷积网络中使用特定于域的BN层；3在训练阶段，CTA图像与SP‑CTA图像分别以batch‑size的大小加载并同时输入到冠脉分割网络中，网络利用共享卷积核及不同的BN层，得到两个域输入图像的血管预测概率图；4在血管预测空间引入对抗性损失函数，网络中加入两个判别器，分别对分割网络输出的预测概率图与预测熵图进行对应模态的判别；5分割网络采用三次下采样和三次上采样。

主权项：1.基于特征对齐域的SP-CTA图像冠脉分割方法，其特征在于：其包括以下步骤：1图像预处理：对源域图像及其标注数据进行缩放，使同一病人的CTA图像和SP-CTA图像具有相同的大小；2在特征提取阶段，采用特征共享的方式使SP-CTA图像能够有效利用CTA图像空间学习的知识，进而加速网络的收敛；在卷积网络中使用特征对齐域的BN层；3在训练阶段，CTA图像与SP-CTA图像分别以batch-size的大小加载并同时输入到冠脉分割网络中，网络利用共享卷积核及不同的BN层，得到两个域输入图像的血管预测概率图；4在血管预测空间引入对抗性损失函数，网络中加入两个判别器，分别对分割网络输出的预测概率图与预测熵图进行对应模态的判别；5分割网络采用三次下采样和三次上采样；卷积块由两个卷积核大小为3×3×3的卷积层，BN层以及LeakyReLU激活函数构成，卷积层的通道数分别设置为16，32，64，128，提取特征后，利用最大池化进行下采样；上采样阶段采用3D反卷积操作，通过学习相关参数恢复与原始图像大小相同的特征图；为了恢复下采样丢失的部分信息，在解码阶段通过跳连接融合低维特征；在最后的预测阶段，采用两个不同的卷积操作以预测不同域的血管概率；所述步骤1中，通过调整图像z轴方向的spacing对图像进行插值操作实现重采样，插值操作首先根据目标图像和原图像的大小求出两张图像像素点的对应关系，坐标变换计算公式为： 其中，Xsrc,Ysrc,Zsrc为原图像中某个像素点m的空间坐标，Xdst,Ydst,Zdst为插值后的图像中与原图像点m对应像素点的坐标，Wsrc,Hsrc,Lsrc为原图像的宽度，高度和长度，Wdst,Hdst,Ldst为变换后图像的宽度，高度和长度；分割金标准使用最邻近插值采样方式，mx,y为原图像中第x行第y列的像素，假设重采样后的图像中的某一像素点通过公式1映射到原图的P点，由于P点的坐标值为小数，不同于最邻近插值法的四舍五入取整，通过计算P点与其邻近的四个已知像素值的点之间的距离，然后利用四个点的灰度值以距离为权重的方式叠加计算出P点的像素值，计算公式表示为：P＝u*v*Srcx,y+u*1-v*Srcx+1,y+1-u*v*Srcx,y+1+1-u*1-v*Srcx+1,y+12；所述步骤1中，源域图像经过重采样后，对两个域的数据进行标准化操作，采用3D的卷积神经网络，采用沿着z轴剪切的方式，实验中切片的个数为8；所述步骤3中，假设在某一层具有k个通道，其中某个通道的一个mini-batch的数据表示为Β＝{x1,x2,x3,…,xm}，首先通过公式3与4分别计算此通道数据的平均值和方差，然后根据平均值和方差并利用式5对所有数据进行标准化，最后对变换后的数据进行平移和缩放处理以恢复网络初始所要学习的特征分布，计算公式为式6所示 β为深度学习网络中的可学习参数，∈为一非常小的常数，避免标准差为0时出现学习崩溃的情况，采用全部训练数据的均值和方差，均值和方差计算公式如7和8所示，在训练阶段将利用移动平均法来获取全局统计量E[x]＝EΒ[μB]7 在测试阶段经过BN层处理后的数据分布如式9所示 所述步骤4中，给定标注的源域冠脉CTA数据集与无标注的目标域SP-CTA数据集其中Ns与Nt分别表示源域和目标域的训练样本数量，两个域的图像经过分割网络后得到对应的血管预测概率图与其中C代表的是分割类别数，C＝2，包含血管和背景两个类别；由于在源域空间具有标注信息，网络对CTA图像的学习将采用有监督的方式，通过最小化混合损失监督网络学习CTA图像中与冠脉相关的特征，分割损失的定义如式10所示 其中，混合损失的第一项为交叉熵损失，第二项为Dice损失，优化分割网络整体的目标函数表示为 其中，λ1与λ2为超参数，平衡不同意义的优化网络的损失函数项；所述步骤5中，判别器Dp与De均采用PatchGAN结构，通过5个卷积块将输入图像映射为N*N的矩阵，网络最后输出的每一个像素对应输入图像中感受野大小的patch，PatchGAN中3D卷积操作采用的卷积核的大小为4×4×4，前三层的卷积步长设置为2，后两层的卷积步长为1，特征图通道数分别为64,128,256,512,1；输入的图像的大小为512×512×8，整个网络的感受野为70×70×8；前四个卷积块由卷积层，instancenormalization层和leakyReLU激活函数组成，instancenormalization是指单张图片的单个通道进行归一化操作，LeakyReLU激活函数是ReLU函数的改进版，两个函数的定义为ReLUx＝max0,x20

全文数据：

权利要求：

百度查询： 北京理工大学 基于特征对齐域的SP-CTA图像冠脉分割方法及装置