一种冠状动脉CT影像深度聚类和分割方法及系统

本发明涉及医学图像聚类和分割技术领域，更具体的，涉及一种基于cnn、k-means和3du-net的冠状动脉ct影像深度聚类和分割方法及系统。

背景技术：

目前，在传统的医学图像处理方法中，虽然聚类算法应用广泛，但也存在一定缺陷。现存方法中，对大范围数据集进行端对端训练的方法极少，大多数方法仅仅是基于简单的k-means、fcm等传统聚类算法[杨生友.聚类分析在医学图像中的应用[d].兰州大学,2009]、[周光华,李岳峰,孟群.模糊聚类分析在医学图像处理中的应用[j].中国卫生信息管理杂志,2011,08(004):69-73]。同时，现有的传统方法也未将卷积神经网络(convolutionalneuralnetworks，cnn)和聚类方法相结合，并将其应用于冠状动脉ct影像分类。

其次，在传统的方法中，对于各种医学图像，通常需要由医生根据图像特征手动为图像打上标记，这种办法耗时且费力，还需要医生具备较高的专业素养和较扎实的理论知识基础，尽管近年来积累了众包方面的专家知识[kovashka,a.,russakovsky,o.,fei-fei,l.,grauman,k.,etal.:crowdsourcingincomputervision.foundationsandtrendsrincomputergraphicsandvision10(3)(2016)177–243]。

再者，由于冠状动脉结构具有高度复杂性，所以，对冠状动脉进行分割极具挑战。同时，不同患者的冠状动脉ct影像在时间、空间和不同解剖结构的影响下，图像结构各不相同。但整体结构上具有相似性，局部结构上存在差异。

技术实现要素：

本发明为了解决传统图像聚类和分割方法存在不足的问题，提供了一种基于cnn、k-means和3du-net的冠状动脉ct影像深度聚类和分割方法及系统，其提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。

为实现上述本发明目的，采用的技术方案如下：

一种冠状动脉ct影像深度聚类和分割方法，所述的方法包括步骤如下：

s1：采用卷积神经网络，输入冠状动脉ct影像，构造特征提取器，从而生成输入图像的若干特征；

s2：利用聚类算法，将生成的若干特征聚成k类，并调整相关损失函数值，对每个样本x赋予伪标签y；

s3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉ct影像进行分类训练；

s4：通过冠状动脉ct影像分类结果，利用3du-net分组对冠状动脉进行分割。

优选地，所述的卷积神经网络包括但不限于alexnet、vgg-16。

进一步地，所述的聚类算法采用k-means聚类算法。

再进一步地，采用所述的k-means聚类算法将从卷积神经网络中抽取的所有特征聚成k类，然后，通过调整以下损失函数，对每个样本x赋予伪标签y：

式中，fθ(xn)是由卷积神经网络产生的特征；yn是通过聚类产生的样本xn的伪标签；n为样本总数，c为聚类的质心矩阵。

再进一步地，利用聚类算法得到的伪标签，通过优化以下损失函数，对卷积神经网络的权重进行更新：

式中，是多项逻辑损失，亦称为log-softmax函数；gw为特征分类器。

再进一步地，由于将特征和伪标签同时进行学习，会产生平凡解，为了避免平凡解，当一个簇变为空时，随机选择一个非空簇，并使用带有小随机扰动的质心作为空簇的新质心，然后，将属于非空簇的点重新分配给两个结果簇。

再进一步地，为了避免平凡参数，对输入数据进行重新采样使得分布均匀，或使用伪标签。

一种所述的冠状动脉ct影像深度聚类和分割的系统，包括

采用卷积神经网络，输入冠状动脉ct影像，构造特征提取器，从而生成输入图像的若干特征；

聚类算法模块，将生成的若干特征聚成k类，并调整相关损失函数值，对每个样本x赋予伪标签；

分类器，通过伪标签y对冠状动脉ct影像进行分类训练，再利用相关损失函数，对卷积神经网络的权重进行更新；

3du-net分组模块，根据分类器输出的分类结果，分组对冠状动脉进行分割。

一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现所述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现所述的方法的步骤。

本发明的有益效果如下：

本发明通过利用卷积神经网络构造特征提取器、通过k-means聚类算法生成图像对应的伪标签、利用伪标签监督训练分类器、利用3du-net分组对冠状动脉进行分割，实现对冠状动脉ct影像的分类和分割。

本发明通过不断迭代后生成的伪标签，将来自不同患者的冠状动脉ct影像进行分类，并尽可能地将具有相同或相似特征的图像归为一类。再根据分类结果，利用3du-net分组对冠状动脉进行分割，从而提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。

附图说明

图1是实施例1所述的方法的流程图。

图2是实施例1所述的卷积神经网络(convolutionalneuralnetworks，cnn)的结构示意。

图3是实施例1所述的卷积神经网络alexnet的结构示意图。

图4是实施例1所述的卷积神经网络vgg-16的结构示意图。

图5是实施例1所述的k-means聚类算法的流程图。

图6是实施例1所述的3du-net的结构示意图。

图7是实施例1所述的冠状动脉分割的示例图。

具体实施方式

下面结合附图和具体实施方式对本发明做详细描述。

实施例1

如图1所示，一种冠状动脉ct影像深度聚类和分割方法，所述的方法包括步骤如下：

s1：采用卷积神经网络，输入冠状动脉ct影像，构造特征提取器，从而生成输入图像的若干特征；

s2：利用聚类算法，将生成的若干特征聚成k类，并调整相关损失函数值，对每个样本x赋予伪标签y；

s3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉ct影像进行分类训练；

s4：通过冠状动脉ct影像分类结果，利用3du-net分组对冠状动脉进行分割。

本实施例通过不断迭代后生成的伪标签，将来自不同患者的冠状动脉ct影像进行分类，并尽可能地将具有相同或相似特征的图像归为一类。再根据分类结果，利用3du-net分组对冠状动脉进行分割，从而提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。

在一个具体的实施例中，将经过预处理后的高质量的冠状动脉ct影像数据输入到卷积神经网络(convolutionalneuralnetworks，cnn)。

所述的预处理具体如下：

(1)ccta影像扫描

所有ccta扫描均使用128片双源扫描仪(somatomdefinitionflash；德国福希海姆的siemenshealthineers)进行。冠状动脉计算机断层造影血管造影检查开始于大剂量注射70ml碘普罗胺(370mg/ml，ulravist；bayer，柏林，德国)，然后注射60ml盐溶液，速率为5ml/s。bolus跟踪用于控制造影剂的应用，将感兴趣区域置于主动脉根部。信号衰减达到预定义的阈值(100霍恩斯菲尔德单位)后5s开始成像采集。使用飞行焦点技术，以2×128×0.6mm的检测器准直和280ms的龙门旋转时间从颅尾水平向心尾方向向心底水平进行数据采集。使用自动电子管电压选择(carekv)选择电子管电压(80–120kvp)，并将基于人体大小的自动曝光控制用于电子管电流(caredose4d)。

扫描后，通过以下步骤重建成像。首先，在30％至40％阶段或60％至70％阶段自动选择最佳阶段，以获得最佳冠状动脉图像。然后，对于每次心脏ct检查，均获得了收缩末期和舒张末期，以评估心室功能。影像重建以r-r间隔的30％–70％进行，以10％的增量进行，以评估lv功能。重建参数包括0.6mm的切片厚度(以0.5mm的增量递增)，bl26中等光滑的果仁和5的迭代重建强度级别(safire，西门子医疗公司)。

(2)ccta影像分析

iii级放射科医生使用16段冠状动脉模型通过视觉评估了冠状动脉的管腔狭窄程度，斑块的存在以及斑块的组成。其中，斑块分为钙化斑、非钙化斑或混合斑。非钙化斑是一种独特的组织结构，能够与周围组织区分开，其面积超过1mm²，密度低于增强造影剂的血池。既有钙化成分也有非钙化成分的任何斑块都归为混合斑。血管狭窄程度可分类为：(1)无(0％，评分为0)；

(2)最低(1％-24％，评分为1)；(3)轻度(25％-49％，评分为2)；(4)中度(50％-69％，评分为3)；(5)重度(70％-90％，评分为4)；(5)完全被遮住(评分为6)。节段狭窄分数(sss)计算为16个节段分数总和(0-80)，用于反映总斑块程度。通过累加具有斑块的节段数，计算出反映整个斑块分布的节段参与评分。计算改良duke预后cad指数(mdi)，讲患者分为6个亚型。

本实施例对cnn的结构并无特殊要求，如图2所示，为卷积神经网络的结构示意图，本实施例可以采用alexnet、vgg-16中的一种卷积神经网络，如图3所示，为卷积神经网络alexnet的结构示意图；如图4所示，为卷积神经网络vgg-16的结构示意图。然后，通过卷积神经网络，针对不同图像构造特征提取器。

在一个具体的实施例中，对于卷积神经网络，其输出结果包括两部分：

(1)聚类分支；(2)分类分支。在聚类分支中，将cnn输出的图像特征输入到聚类模型中进行聚类。为简单起见，此处的聚类算法为k-means聚类算法，本实施例采用k-means聚类算法的流程如图5所示，本实施例也可以使用其他各种聚类算法。在分类分支中，利用聚类生成的伪标签，监督训练分类器。两个分支共享cnn的网络参数，聚类结果作为伪标签，提供给分类器进行训练；通过分类器的训练，进行反向传播；调整对应损失函数，以优化网络参数。

在一个具体的实施例中，在聚类过程中，使用k-means聚类算法，将从卷积神经网络中抽取的所有特征(n个特征，代表n张图像)聚成k类。然后，通过调整以下损失函数，对每个样本x赋予伪标签y(即通过k-means聚类算法产生伪标签)；

式中，fθ(xn)是由卷积神经网络产生的特征；yn是通过聚类产生的样本xn的伪标签；n为样本总数，c为聚类的质心矩阵，此处不作任何用途。

在一个具体的实施例中，利用聚类算法得到的伪标签，通过优化以下损失函数，对卷积神经网络的权重进行更新：

式中，是多项逻辑损失，亦称为log-softmax函数；gw为特征分类器。

在一个具体的实施例中，由于将特征和聚类结果(伪标签)同时进行学习，会产生平凡解，针对此问题，可通过以下方式解决：

(1)避免平凡解，当一个簇变为空时，随机选择一个非空簇，并使用带有小随机扰动的质心作为空簇的新质心，然后，将属于非空簇的点重新分配给两个结果簇。

(2)为了避免平凡参数，如果输入的数据分布不均匀，卷积神经网络参数θ则会专门去区分它们，参数θ会导致网络只有相同的输出。解决方法是，对输入数据进行重新采样使得分布均匀，或使用伪标签。这等价于第一条公式中1/n起到对输入对损失函数的贡献进行加权的作用。

最后，在完成上述流程后，通过不断迭代后生成的伪标签，将来自不同患者的冠状动脉ct影像进行分类，并尽可能地将具有相同或相似特征的图像归为一类。再根据分类器的分类结果，利用3du-net分组(所述的3du-net分组的结构如图6所示)对冠状动脉进行分割，如图7所示，为分割示意图，从而提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。

实施例2

基于实施例1所述的所述的冠状动脉ct影像深度聚类和分割方法，本实施例还提供了一种所述的冠状动脉ct影像深度聚类和分割的系统，包括

采用卷积神经网络，输入冠状动脉ct影像，构造特征提取器，从而生成输入图像的若干特征；

聚类算法模块，将生成的若干特征聚成k类，并调整相关损失函数值，对每个样本x赋予伪标签；

分类器，通过伪标签y对冠状动脉ct影像进行分类训练，再利用相关损失函数，对卷积神经网络的权重进行更新；

3du-net分组模块，根据分类器输出的分类结果，分组对冠状动脉进行分割。

实施例3

一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现的方法步骤如下：

s1：采用卷积神经网络，输入冠状动脉ct影像，构造特征提取器，从而生成输入图像的若干特征；

s2：利用聚类算法，将生成的若干特征聚成k类，并调整相关损失函数值，对每个样本x赋予伪标签y；

s3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉ct影像进行分类训练；

s4：通过冠状动脉ct影像分类结果，利用3du-net分组对冠状动脉进行分割。

实施例4

一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现的方法步骤如下：

s1：采用卷积神经网络，输入冠状动脉ct影像，构造特征提取器，从而生成输入图像的若干特征；

s2：利用聚类算法，将生成的若干特征聚成k类，并调整相关损失函数值，对每个样本x赋予伪标签y；

s3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉ct影像进行分类训练；

s4：通过冠状动脉ct影像分类结果，利用3du-net分组对冠状动脉进行分割。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。