(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111660913.2 (22)申请日 2021.12.3 0 (71)申请人 沈阳建筑大学 地址 110168 辽宁省沈阳市 浑南区浑南中 路25号 (72)发明人 李孟歆　李松昂　侯静　张颖　 (74)专利代理 机构 沈阳天赢专利代理有限公司 21251 专利代理师 刘英 (51)Int.Cl. G06T 7/11(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于双结构约束神经网络的脑血管分割方 法及存储介质 (57)摘要 本发明基于双结构约束神经网络的脑血管 分割方法及存储介质， 属于医学图像 分割技术领 域； 该方法首先对MRA图像数据进行数据预处理， 将预处理后的MRA图像数据划分为训练集和测试 集， 其次构建脑血管双结构约束神经网络， 采用 训练集对脑血管双结构约束神经网络进行训练， 获得训练完成的脑血管双结构约束神经网络， 最 后将测试集输入训练完成的脑血管双结构约束 神经网络， 获得分割完成的脑血管结构； 本发明 通过网络结构与归纳偏置两个层面对分割出的 脑血管进行双结构约束， 分割出的图像抗背景干 扰能力强， 细小处的脑血管连通性好， 分割出的 图像精度更高， 以辅助后续的病理图像诊断； 本 发明减少了全自动方法对数据标记 精度的依赖 。 权利要求书2页 说明书7页 附图6页 CN 114708275 A 2022.07.05 CN 114708275 A 1.一种基于双结构约束神经网络的脑血 管分割方法， 其特 征在于： 包括以下步骤： 步骤1、 对MRA图像数据进行数据预处理， 将预处理后的MRA图像数据划分为训练集和测 试集； 步骤2、 构建脑血 管双结构约束神经网络； 步骤3、 采用训练集对脑血管双结构约束神经网络进行训练， 获得训练完成的脑血管双 结构约束神经网络； 步骤4、 将测试集输入训练完成的脑血管双结构约束神经网络， 获得分割完成的脑血管 结构。 2.根据权利要求1所述的基于双结构约束神经网络的脑血管分割方法， 其特征在于： 所 述的步骤1包括以下步骤： 步骤1.1、 判断MRA图像数据是否具有手工稀疏标记， 若是， 执行步骤1.3， 否则， 执行步 骤1.2； 步骤1.2、 设定分辨率阈值， 将分辨率低于阈值的MRA图像利用包含脑血管中心线与半 径信息的血 管信息文件进行稀疏 标记； 步骤1.3、 设定数据精度， 将MRA图像数据和稀疏标记数据均转换为可并行训练格式， 根 据所设定的数据精度对上述数据进行归一 化处理， 获得处 理后的可训数据； 步骤1.4、 根据实际需求将可训数据按照比例划分为训练集和 测试集； 步骤1.5、 对训练集进行 数据增强。 3.根据权利要求2所述的基于双结构约束神经网络的脑血管分割方法， 其特征在于： 步 骤1.5所述的对训练集进行 数据增强采用随机 裁剪方法。 4.根据权利要求1所述的基于双结构约束神经网络的脑血管分割方法， 其特征在于： 所 述的脑血管双结构约束神经网络包括编码模块、 解码模块、 对网络层面结构进行约束的脑 血管结构注意力模块和对归纳偏置层面结构进行约束的混合损失函数； 所述脑血管结构注 意力模块连接编码模块的最下层和解码模块的最下层； 编码模块： 用于将训练集进行编码， 获得脑血管高级特征图， 并发送到脑血管结构注意 力模块； 脑血管结构注意力模块： 用于将血管结构注意力输入接收到的脑血管高级特征图， 获 得脑血管结构注意力高级特 征图， 并发送到解码模块； 解码模块： 用于将脑血 管结构注意力高级特 征图进行解码， 获得脑血 管分割结果图； 混合损失函数： 用于获得脑血 管双结构约束神经网络的训练误差 。 5.根据权利要求4所述的基于双结构约束神经网络的脑血管分割方法， 其特征在于： 所 述的编码模块由N个编码残差卷积块相连接组成； 每个编码残差卷积块由多个通过批正则 化‑ReLU激活函数 连接的3D卷积组成， 并使用跳跃 连接的方式连接 输入与输出。 6.根据权利要求4所述的基于双结构约束神经网络的脑血管分割方法， 其特征在于： 所 述的解码模块由N个解码卷积块相连接组成； 解码卷积块之间通过批正则化连接 。 7.根据权利要求4所述的基于双结构约束神经网络的脑血管分割方法， 其特征在于： 所 述的脑血 管结构注意力模块包括： 结构自注意力模块： 用于接收编码模块发送的脑血管高级特征图， 获得脑血管结构空 间层面的相似度， 进一步与原始特征相乘获取空间层面的脑血管注意力特征图， 并发送到权　利　要　求　书 1/2 页 2 CN 114708275 A 2全局注意力特 征压缩模块； 全局注意力特征压缩模块： 用于接收空间层面的脑血管注意力特征图， 减少图中的参 数量， 进而获取脑血 管空间注意力特 征图， 并发送到瓶颈结构通道 注意力模块； 瓶颈结构通道注意力模块： 用于接收脑血管空间注意力特征图， 将脑血管空间注意力 特征图进行特征通道层级的注意力 分配， 获取脑血管结构的通道层级注意力， 进一步将通 道层级注意力与输入脑血管注意力前的高级 特征图通过通道层级加和， 获得脑血管结构注 意力高级特 征图， 并发送到解码模块。 8.根据权利要求1所述的基于双结构约束神经网络的脑血管分割方法， 其特征在于： 所 述步骤3包括以下步骤： 步骤3.1、 参数初始化， 包括： 设定双结构约束神经网络的训练次数c、 训练批次大小m、 瓶颈率r和网络参数 学习率lr， 随机初始化网络 权重； 步骤3.2、 设定网络参数学习率的更新规则， 根据上一轮训练的网络参数学习率获得当 前网络参数 学习率； 步骤3.3、 将训练集输入双结构约束神经网络， 进行 前向传播， 获得脑血 管分割结果图； 步骤3.4、 根据已稀疏标记的MRA图像数据和脑血管分割结果图获得双结构约束神经网 络的训练误差； 步骤3.5、 根据获得的训练误差反向传播更新优化网络参数； 步骤3.6、 判断训练次数是否达到所设定的训练次数c， 若是， 训练完成， 保存双结构约 束神经网络， 否则， 返回执 行步骤3.2。 9.根据权利要求8所述的基于双结构约束神经网络的脑血管分割方法， 其特征在于： 步 骤3.4所述的获得双结构约束神经网络的训练误差采用eclDice ‑Dice混合损失函数， 公式 如下： L＝LossDice+LossclDice (3) 其中， LDice表示Dice相似系数损失， N表示所有体 素的总和， i表示MRA图像中第i个体 素， ti表示已稀疏标记MRA图像的第i个体素值， yi表示预测脑血管 分割结果图的第i个体素值， ε 表示平滑系数， 用于平滑损失值和梯度， LeclDice表示均衡中心线Dice相似系数损失， pi表示 从预测脑血管分割结果图中中心线提取获得的结构骨架， mi表示从第i个已稀疏标记MRA图 像中中心线提取获得的结构骨架， L表示eclDice ‑Dice混合损失， β 表示平衡系数。 10.一种存储介质， 其特征在于， 所述存储介质存储有多条指令， 所述指令适于处理器 进行加载， 以执行权利要求 1至9中任一项 所述的基于双结构约束神经网络的脑血管分割方 法中的至少一 步骤。权　利　要　求　书 2/2 页 3 CN 114708275 A 3