器官周边血管自动分割方法、系统、介质、电子设备

1.本发明涉及深度学习的技术领域，特别是涉及一种器官周边血管自动分割方法、系统、介质、电子设备。


背景技术：

2.胰腺癌是一种高度致命的恶性肿瘤，预后差，五年生存率低于9％。目前，手术切除是治愈胰腺癌的唯一方法。术后病人预后差的主要原因之一是肿瘤切缘阳性引起的癌症复发。因此，术前准确评估手术可切除性，对患者获得良好生存结果具有重要意义。上述评估主要取决于肿瘤与胰周血管的受累程度。相关胰周血管包括肠系膜上动脉(sma)、腹腔干动脉(tc)、和由肠系膜上静脉-门静脉-脾静脉构成的部分门静脉系统(pps)。然而，目前医生的术前评估存在相当大的观察者间差异，即使在经验丰富的医师中也是如此。客观、可靠的手术可切除分析技术有很大的临床需求。其中，精准的胰周血管自动分割是重要的先决条件。
3.血管分割可以帮助了解血管的生理形态、解剖结构和血流状态，对疾病诊断和术前规划具有重要意义。基于深度学习的方法可以自适应地学习任务相关的多维抽象特征，具有精度高、性能好的特点，成为血管自动分割的主流方法。
4.基于深度学习的血管分割方法大致可分为基于多尺度特征学习和利用血管几何先验信息的方法。基于多尺度特征融合的深度学习方法，例如yan等人设计注意力引导的级联模块和多尺度特征融合模块引导模型从不同尺度的特征中捕获有用的信息，获得更精细的血管分割性能。he等人采用密集连接偏置连接方法，融合多感受场和多分辨率的特征，解决多尺度血管分割问题。近些年来，一些方法致力于利用血管的几何先验信息，提升血管分割性能。例如，qin等人通过提出空间感知特征重新校准模块和注意力蒸馏模块加强模型对管状结构的表示学习；而mou等人通过将自注意力机制应用于通道和空间维度开发曲线结构分割模型。还有一些工作利用图神经网络建模血管的结构信息，辅助模型分割血管。这些研究都试图通过精细的网络设计来提升血管的分割性能。尽管令人表现出良好的性能，但这些方法都没有探究模型的泛化性能，阻碍了相关模型的临床应用。
5.另外，dima等人采用3d u-net对胰周动脉进行二元分割。mahmoudi等人提出了一个混合模型，包括2d attention u-net和texture attention u-net，用于肠系膜上静脉和肠系膜上动脉的分割。yao等人提出利用self-learning方法来分割胰腺癌和胰周血管，而无需对他们的私有数据集进行手动注释。这些方法均取得良好的分割结果。但是上述工作均基于单家医学中心，泛化性能未知，即在其他多家中心(医院)的分割表现未知。因此，这些方法的临床使用价值有待进一步探索。
6.许多研究致力于研究提升模型的泛化性能，即从有限的数据中学习一个通用的模型，使其能直接部署到不可见的真实数据中。泛化分割方法大致可以分成基于数据增强和基于通用知识学习的方法。基于数据扩增的泛化方法认为图像外观分布变化是造成模型泛化性能下降的元凶，致力于通过数据扩增方法模拟在不可见的真实数据中可能遇到的图像
外观分布。例如zhang等人提出深度堆叠变换方法，通过在网络训练期间对每个图像施加一系列变换，来模拟在不可见的真实数据上可能遇到的图像外观分布，从而提升模型泛化性能。lv等人进一步利用单位球面空间的sinkhorn距离测量来扩大数据增强图像外观分布的多样性。zhou等人认为网络浅层保留图像外观信息，通过在特征层面随机混合不同数据的外观分布，增加训练时图像外观分布的多样性。基于通用知识学习的方法一般采用来自多个数据集的数据来训练模型，通过引导模型学习与数据集无关的通用知识，提升模型的泛化性能。例如，dou等人和liu等人将来自不同数据集的数据划分为元训练集和元测试集，利用元学习框架学习通用知识，提升模型对不同来源的数据的稳定性。wang等人通过构建领域知识库存储不同数据集的通用知识，然后利用通用知识增强当前未知数据中的通用表示。由于不同数据集之间最大的差异在于图像外观分布。因此，两种方法的本质都是寻找在不同图像外观分布下的因果不变信息。尽管这些方法都取得了良好的结果，然而基于通用知识学习的方法通常需要采集多个数据集，极大提升了方法的门槛；基于数据扩增的方法虽然没有数据集的要求，然而他们的扩增方式充满随机性，生成图像很可能不符合真实需求，并且破坏信息，反而干扰模型决策。基于因果理论，这是由于深度学习模型的本质是拟合输入与输出之间的相关性，包括因果相关和虚假相关。虚假相关是指与分割标签并不具有因果关联但是具有高相关系数的干扰性因素。据观察可知，制约血管分割泛化性能的虚假相关因素主要是图像数据的外观分布。


技术实现要素：

7.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种器官周边血管自动分割方法、系统、介质、电子设备，基于图像级和特征级的因果干预方案构建血管自动分割模型，有效增强了血管自动分割模型的泛化性能，提升了器官周边血管分割结果的可靠性。
8.第一方面，本发明提供一种器官周边血管自动分割方法，所述方法包括以下步骤：获取用户的腹部增强ct图像，并提取目标器官周边图像；基于所述目标器官周边图像构造造影驱动的多个扰动图像；基于所述目标器官周边图像构造模拟虚假相关的扰动特征；基于所述目标器官周边图像、扰动图像和扰动特征训练血管自动分割模型，以基于训练好的血管自动分割模型获取目标器官周边的血管分割结果。
9.在第一方面的一种实现方式中，提取目标器官周边图像包括以下步骤：
10.将所述腹部增强ct图像的灰度值截断到第一预设区间；
11.采用最大最小归一化算法将灰度截断后的腹部增强ct图像映射至第二预设区间；
12.在映射后的腹部增强ct图像中获取目标器官区域；
13.将所述目标器官区域的外接立方体内的图像作为所述目标器官周边图像。
14.在第一方面的一种实现方式中，基于所述目标器官周边图像构造造影驱动的多个扰动图像包括以下步骤：
15.训练图像外观分布扰动图像生成模型，所述图像外观分布扰动图像生成模型包括第一图像生成器、第二图像生成器、第一图像鉴别器和第二图像鉴别器；所述第一图像生成器用于基于源域图像和迁移变量生成迁移图像，所述第二图像生成器用于基于所述迁移图像和所述迁移变量生成所述源域图像，所述第一图像鉴别器用于鉴别所述源域图像和所述迁移图像；所述第二图像鉴别器用于鉴别所述迁移图像和所述目标域图像；
16.以静脉期的目标器官周边图像为源域图像，基于所述第一图像生成器生成动脉期和延迟期的不同迁移变量对应的迁移图像，并将所述迁移图像作为所述扰动图像。
17.在第一方面的一种实现方式中，所述图像外观分布扰动图像生成模型的损失函数为对抗损失函数和循环一致损失函数的加权和；所述对抗损失函数为所述第一图像鉴别器的对抗损失函数和所述第二图像鉴别器的对抗损失函数的加权和；所述循环一致损失函数为所述第一生成器和所述第二生成器的损失函数。
18.在第一方面的一种实现方式中，基于所述目标器官周边图像构造模拟虚假相关的扰动特征包括以下步骤：
19.提取所述目标器官周边图像的特征，并基于所述特征构建所述所述目标器官周边图像的原型和概率图；
20.提取不同血管的原型构造原型池，并基于所述原型池抽取随机原型；
21.计算所述随机原型和所述原型的差值，作为特征扰动方向；
22.基于所述特征扰动方向和所述概率图计算特征扰动量；
23.基于所述特征扰动量和所述特征构建所述扰动特征。
24.在第一方面的一种实现方式中，基于所述目标器官周边图像、扰动图像库和扰动特征训练血管自动分割模型包括以下步骤：
25.基于所述目标器官周边图像，在所述多个扰动图像中随机选取配对扰动图像；
26.将所述目标器官周边图像、所述配对扰动图像和所述扰动特征作为三个支流输入所述血管自动分割模型进行训练；其中所述三个支流共享网络权重参数，针对血管分割结果采用相同标签；所述目标器官周边图像、所述配对扰动图像对应的支流采用原型对比损失函数进行一致性约束。
27.在第一方面的一种实现方式中，还包括对训练好的血管自动分割模型进行性能评估，性能评估参数包括dice相似性系数、平均表面距离、豪斯多夫距离、平均骨架距离、骨架召回率、骨架精确率中的一种或多种组合。
28.第二方面，本发明提供一种器官周边血管自动分割系统，所述系统包括获取模块、第一构造模块、第二构造模块和训练模块；
29.所述获取模块用于获取用户的腹部增强ct图像，并提取目标器官周边图像；
30.所述第一构造模块用于基于所述目标器官周边图像构造造影驱动的多个扰动图像；
31.所述第二构造模块用于基于所述目标器官周边图像构造模拟虚假相关的扰动特征；
32.所述训练模块用于基于所述目标器官周边图像、扰动图像和扰动特征训练血管自动分割模型，以基于训练好的血管自动分割模型获取目标器官周边的血管分割结果。
33.第三方面，本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的器官周边血管自动分割方法。
34.第四方面，本发明提供一种电子设备，包括：处理器及存储器；
35.所述存储器用于存储计算机程序；
36.所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的器官周边血管自动分割方法。
37.如上所述，本发明的器官周边血管自动分割方法、系统、介质、电子设备，具有以下有益效果：
38.(1)将图像外观分布建模为影响泛化的虚假相关因素，分析了血管分割任务的因果机制，针对性地提出了图像级和特征级两个层面的因果干预方案，抑制血管自动分割模型内部的虚假相关关系，加强血管自动分割模型的因果特征，从而增强了血管自动分割模型的泛化性能；
39.(2)为在分割框架中抑制非因果因素干扰，实现分割的稳定性和泛化性，提供了新范例；
40.(3)血管自动分割模型所需的数据集来自临床实践搜集的数据，数据集大，评估性能出色，保证了血管自动分割模型的有效性和可靠性；
41.(4)尤其适用于胰腺周边血管分割的应用场景，有助于胰腺相关疾病的诊断和治疗。
附图说明
42.图1显示为本发明的器官周边血管自动分割方法于一实施例中的流程图；
43.图2显示为本发明的血管自动分割模型于一实施例中的结构示意图；
44.图3显示为本发明的图像外观分布扰动模型于一实施例中的结构示意图；
45.图4显示为本发明的虚假相关特征模拟扰动于一实施例中的示意图；
46.图5显示为实验数据集上本发明的血管自动分割模型与其他先进的血管自动分割模型的分割结果于一实施例中的可视化图；
47.图6显示为独立验证集上本发明的血管自动分割模型与其他先进的血管自动分割模型的分割结果于一实施例中的可视化图；
48.图7显示为本发明的器官周边血管自动分割系统于一实施例中的结构示意图；
49.图8显示为本发明的电子设备于一实施例中的结构示意图。
具体实施方式
50.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
51.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
52.本发明的器官周边血管自动分割方法、系统、介质、电子设备中，针对腹部增强ct图像，利用造影驱动的图像外观分布扰动模型从图像层次模拟不同造影剂代谢速率、不同医生采集时间等造影因素造成的外观分布多样化，通过一致性约束抑制网络编码相关外观分布内容，促进稳定的特征学习。同时，利用不同病人对应血管原型作为引导对原图像的底
层特征进行特征迁移，模拟虚假相关因素带来的特征值的偏差，构造特征层面的干预，采用相同标签约束，提升网络对偏差特征的鲁棒性，从而增强了血管自动分割模型的泛化性能。
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细描述。
54.如图1和图2所示，于一实施例中，本发明的器官周边血管自动分割方法包括以下步骤：
55.步骤s1、获取用户的腹部增强ct图像，并提取目标器官周边图像。
56.具体地，首先采集用户的腹部增强ct图像，所述腹部增强ct图像的层厚范围为0.8-1.5mm；然后提取所述腹部增强ct图像中的目标器官周边图像，以基于所述目标器官周边图像进行目标器官周边血管的自动分割。
57.于一实施例中，提取目标器官周边图像包括以下步骤：
58.11)将所述腹部增强ct图像的灰度值截断到第一预设区间，如区间[-100，240]。
[0059]
12)采用最大最小归一化算法将灰度截断后的腹部增强ct图像映射至第二预设区间，如区间[0,1]。
[0060]
13)通过器官分割模型或其他器官定位方法在映射后的腹部增强ct图像中获取目标器官区域。
[0061]
14)将所述目标器官区域的外接立方体内的图像作为感兴趣区域，所述感兴趣区域即为所述目标器官周边图像。
[0062]
步骤s2、基于所述目标器官周边图像构造造影驱动的多个扰动图像。
[0063]
具体地，本发明基于图像外观分布扰动图像生成模型在图像层次模拟不同造影剂代谢速率、不同医生采集时间等造影因素造成的多种图像外观分布，构造造影相关的扰动图像作为图像层面的干预。
[0064]
于一实施例中，基于所述目标器官周边图像构造造影驱动的多个扰动图像包括以下步骤：
[0065]
21)训练图像外观分布扰动图像生成模型，所述图像外观分布扰动图像生成模型包括第一图像生成器、第二图像生成器、第一图像鉴别器和第二图像鉴别器；所述第一图像生成器用于基于源域图像和迁移变量生成迁移图像，所述第二图像生成器用于基于所述迁移图像和所述迁移变量生成所述源域图像，所述第一图像鉴别器用于鉴别所述源域图像和所述迁移图像；所述第二图像鉴别器用于鉴别所述迁移图像和所述目标域图像。
[0066]
其中，增强ct成像经历动脉期、静脉期和延迟期的过程可建模为风格迁移，即在保留图像的内容(人体解剖结构保持不变)，依据造影剂代谢相关的规律改变图像外观分布。通过把同个用户不同期的腹部增强ct图像作为风格迁移的起点(源域)和终点(目标域)来训练生成器，生成器可以学习到造影相关的图像外观风格变化规律。基于生成器学习到的规律，可以生成位于动脉期图像与静脉期图像之间、静脉期图像与延迟期图像之间具有连续中间风格的合成图像，模拟由不同造影剂代谢速率或不同采集时间等造影因素造成的图像外观分布。如图3所示，所述图像外观分布扰动图像生成模型包括第一图像生成器g
st
、第二图像生成器g
ts
、第一图像鉴别器ds和第二图像鉴别器d
t
。设定xs,x
t
分别表示源域和目标域。引入迁移变量z∈[0,1]表征生成图像外观分布与源域图像外观分布的相关程度，即迁移图像和源域图像之间的相关程度。当z＝0时，迁移图像呈现源域图像的外观分布；当z＝1
时，迁移图像呈现目标域图像的外观分布。在所述图像外观分布扰动图像生成模型输入源域图像xs和迁移变量z，即可得到具有中间风格的迁移图像
[0067]
第一图像鉴别器ds和第二图像鉴别器d
t
分别用于区分和xs，和目标域图像x
t
，对应的对抗损失分别为：
[0068][0069][0070]
其中，表示数学期望；xs与x
t
分别表示来自源域和目标域的图像；p(
·
)表示概率分布，xs～p(xs)表示源域图像xs服从源域的概率分布p(xs)，x
t
～p(x
t
)表示源域图像x
t
服从源域的概率分布p(x
t
)。因此，所述图像外观分布扰动模型的对抗损失函数为所述第一图像鉴别器的对抗损失函数和所述第二图像鉴别器的对抗损失函数的加权和，即同时，所述图像外观分布扰动图像生成模型应用循环一致损失函数l
cyc
来确保图像的语义内容在迁移的图像中得到完好保存，即g
ts
可将g
st
生成的恢复成xs，即其中，||
·
||1表示l1范数。所述循环一致损失函数为关于所述第一生成器和所述第二生成器的损失函数。
[0071]
综上，所述图像外观分布扰动模型的损失函数为对抗损失函数和循环一致损失函数的加权和l
gen
＝l
adv
+λl
cyc
，其中λ为平衡两个损失的超参数。
[0072]
22)以静脉期的目标器官周边图像为源域图像，基于所述第一图像生成器生成向动脉期和延迟期迁移的不同迁移变量对应的迁移图像，并将所述迁移图像作为所述扰动图像。其中，利用训练好的所述图像外观分布扰动模型，以静脉期腹部增强ct图像为迁移起点，将原始数据向动脉期和延迟期方向进行风格迁移生成不同造影增强效果的迁移图像并存储至扰动图像库，其中迁移变量z在[0,θ]范围内以固定间隔γ取值。θ为迁移程度上界，限制干扰图像仍然为静脉期的增强效果，防止干扰模型训练。为了简单表示，扰动图像库由xz＝{xz|z∈[-θ,θ]}表示。当z∈[-θ,0]时，xz表示向动脉期迁移生成的图像；当z∈[0,θ]，xz表示向延迟期迁移生成的图像。
[0073]
步骤s3、基于所述目标器官周边图像构造模拟虚假相关的扰动特征。
[0074]
具体地，除造影因素外，还存在其他影响图像外观分布的潜在因素。同时，无法保证可以通过图像层面的因果干预可以完全去除造影因素对特征的影响。如图4所示，通过虚假相关特征模拟扰动进一步引导模型抑制图像外观分布信息造成的特征偏差，通过特征级干预实现稳健决策。
[0075]
于一实施例中，基于所述目标器官周边图像构造模拟虚假相关的扰动特征包括以下步骤：
[0076]
31)提取所述目标器官周边图像的特征，并基于所述特征构建所述所述目标器官周边图像的原型和概率图。
[0077]
其中，将所述目标器官图像输入共享权重的编码器中，然后基于编码器输出的特征构建所述所述目标器官周边图像的原型和概率图。对于所述目标器官周边图像的底层特
征，使用掩膜平均池化操作计算所述目标器官周边图像的原型其中下标c为类别，为类别集合，f
up
为底层特征经上采样恢复到输入尺寸的特征，y为分割标签，n为总体素数；i[
·
]为一个指示函数，如果参数为真则输出值为1，否则输出为0。概率图p
coarse
＝softmax(w
θ
f)，其中w
θ
是逐点卷积的权重矩阵，f为底层特征。
[0078]
32)提取不同血管的原型构造原型池，并基于所述原型池抽取随机原型。
[0079]
其中，预先构建一原型池，所述原型池包含不同血管的原型。优选地，将步骤31)得到的原型储存在基于队列构建的原型池中，供后续虚假相关特征模拟扰动使用。另外，从原型池随机抽取其他数据的原型
[0080]
33)计算所述随机原型和所述原型的差值，作为特征扰动方向。
[0081]
其中，特征扰动方向
[0082]
34)基于所述特征扰动方向和所述概率图计算特征扰动量。
[0083]
其中，特征扰动量其中c,d,h,w分别表示底层特征的通道、深度、高度和宽度。
[0084]
35)基于所述特征扰动量和所述特征构建所述扰动特征。
[0085]
其中，对所述特征施加随机程度λ的扰动，模拟不同虚假相关因素带来的特征偏差，从而得到所述扰动特征，即其中，f
′
为扰动特征，λ为扰动程度，其从[0,α]中随机采样得到，其中α为扰动程度上限。在后续的模型训练过程中，为了稳定训练，采用扰动程度逐步增加的方式，λ＝0.05+当前训练轮次/总训练轮次，λ∈[0,1]。
[0086]
步骤s4、基于所述目标器官周边图像、扰动图像库和扰动特征训练血管自动分割模型，以基于训练好的血管自动分割模型获取目标器官周边的血管分割结果。
[0087]
具体地，基于所述目标器官周边图像、扰动图像库和扰动特征训练血管自动分割模型包括以下步骤：
[0088]
41)基于所述目标器官周边图像，在所述多个扰动图像中随机选取配对扰动图像。
[0089]
42)将所述目标器官周边图像、所述配对扰动图像和所述扰动特征作为三个支流输入所述血管自动分割模型进行训练；其中所述三个支流共享网络权重参数，针对血管分割结果采用相同标签；所述目标器官周边图像、所述配对扰动图像对应的支流采用原型对比损失函数进行一致性约束。
[0090]
于一实施例中，所述血管自动分割模型包括三个支流，每个支流包括一个编码器和一个解码器。所述目标器官周边图像和所述配对扰动图像分别输入第一支流和第二支流的编码器输入端；对所述第一支流和所述第二支流的编码器输出的特征采用原型对比损失函数以实现一致性约束；以其他数据目标器官周边图像的信息为引导，对所述第三支流的编码器输出的特征进行扰动，扰动后的特征输入对应的解码器，通过共享解码器权重和采用相同的分割标签施加隐性的一致性约束。需要说明的是，实际由于三个编码器和解码器共享权重，三条支流的编码器和解码器实际为1个编码器和解码器。训练完成后，所述血管
自动分割模型只需留下编码器和解码器，即可完成目标器官周边血管的自动分割。
[0091]
其中，根据输入的目标器官周边图像x，从扰动数据库xz中随机采样迁移程度为z的配对扰动图像xz。将x和xz输入到网络共享权重的网络的两流中，并分别对两流的底层特征提取原型，并采用原型对比损失函数在特征层面施加一致性约束。所述原型对比的一致性损失函数为其中，是同类别的原型(正样本)，是对应负样本的集合，即其他类别的原型。
‘
·’表示点积，τ》0是温度因子。
[0092]
另外，所述目标器官周边图像和所述扰动图像的分割结果采用相同的标签进行约束。分割损失函数由cross-entropy loss(ce)交叉熵损失和dsc损失构成，具体公式如下：
[0093][0094][0095]
l
seg
＝l
ce
+l
dsc
[0096]
其中，y和分别表示标签和血管分割结果，n为总体素数，yi和分别表示第i个体素。
[0097]
另外，概率图p
coarse
经上采样恢复到输入尺寸大小后，采用dsc损失作为辅助损失函数进行约束。
[0098]
同时，从原型池中随机抽取其他数据的原型，将所述随机原型和所述原型的差值，作为特征扰动方向对特征进行随机程度的扰动得到扰动特征f
′
。将所述扰动特征f
′
输入解码器中，进行后续预测。通过共享解码器权重和采用相同的分割标签施加隐性的一致性约束，增强所述血管自动分割模型对不同虚假相关因素带来的特征偏差的鲁棒性，最终提升模型决策的稳定性。
[0099]
因此，通过扰动图像和扰动特征构造两个层面(图像层面、特征层面)的因果干预，系统地抑制模型内部的虚假相关关系，加强模型的因果特征，从而增强了模型的泛化性能。具体来说，图像层面因果干预强化模型在图像外观分布变化时捕捉关键信息的能力，从而提升模型特征的稳定性；另一方面，特征层面因果干预增强模型对特征偏差的鲁棒性，最终提升模型决策的稳定性。
[0100]
在所述血管自动分割模型的训练过程中，采用五折交叉验证的策略，将数据划分为5个固定的独立的折叠，并使用5折中的4折进行训练，其余1折用于测试。采用3du-net变体作为分割主干网络，其中采用两层卷积的残差块替代原本的卷积层，采用群组归一化代替原本的批标准化。训练批大小为1，采用adam优化器，初始学习率为1
×
10-4
，并随着训练进程而依据lr
i+1
＝lri×
((1-当前训练轮次/总训练轮次)
γ
)进行指数下降，其中γ被设置为0.9。训练时，从感兴趣的区域中随机抽取大小为(64,120,120)的图像块作为训练图像。此外，在所有训练过程中均引入了数据增强技术，包括随机旋转(-15
°
和15
°
之间)、随机镜像、
随机拉伸和添加随机高斯噪声。在网络训练过程中，根据损失函数计算分割结果与标签的误差，利用方向传播算法调整网络的参数。
[0101]
当所述血管自动分割模型训练完毕后，将待处理的腹部增强ct图像中输入所述血管自动分割模型，经过编码器和解码器即可得到血管分割结果。
[0102]
于一实施例中，本发明的器官周边血管自动分割方法还包括对训练好的血管自动分割模型进行性能评估，性能评估参数包括dice相似性系数(dsc)、平均表面距离(asd)、豪斯多夫距离(hd)、平均骨架距离(msd)、骨架召回率(sr)、骨架精确率(sp)中的一种或多种组合。其中，具体定义如下：
[0103][0104][0105][0106][0107][0108][0109]
其中y和分别表示标签和血管分割结果；a∈y表示标签y中的像素a，表示血管分割结果y中的像素b；δ(
·
)表示骨架化操作。具体地，首先采用skimage.morphology代码库中的骨架化函数skeletonize_3d初步获取骨架，该骨架在血管较细部分会出现断开的现象；接着以(3,3,3)为核对获取的骨架采用膨胀操作来维持血管骨架的连通性。
[0110]
与现有的血管自动分割研究相比，本发明的器官周边血管自动分割方法的优越性可通过在实验数据集上的实验结果来显现。对实验结果的具体分析如下：
[0111]
(1)分割结果分析
[0112]
为了充分评估本发明的血管自动分割模型的性能，在实验数据集上进行了十次重复的五折交叉验证实验，实验结果如表1所示，包含了dsc(dice相似性)、hd(豪斯多夫距离)、asd(平均表面距离)、msd(平均骨架距离)、sr(骨架召回率)、sp(骨架精确率)。所述血管自动分割模型在十次重复实验中表现出准确的分割性能，肠系膜上动脉(sma)、腹腔干动脉(tc)、和由肠系膜上静脉-门静脉-脾静脉构成的部分门静脉系统(pps)，三类血管平均的dsc、hd、asd、msd、sr、sp分别为：81.77％、15.57mm、1.11mm、1.62mm、90.84％，91.38％。各个指标的数值波动较小，表明所述血管自动分割模型具有稳定的分割表现。
[0113]
表1、本发明的血管自动分割模型在实验数据集上的胰周血管自动分割性能
[0114][0115]
(2)消融实验分析
[0116]
为了验证所有策略的必要性和优越性，对本发明的血管自动分割模型进行逐项消融实验。消融实验结果如表2所示，其中bl表示基线模型，ipm表示扰动图像对应操作，fpm表示扰动特征对应操作，ours表示本发明的血管自动分割模型，即bl+ipm+fpm。与基线模型相比，训练时添加扰动图像与对应的一致性约束使得三类血管平均dsc、sr和sp，hd，asd和msd分别提升了1.57％，2.35％，1.48％，8.81％(1.77mm)，13.29％(0.19mm)，13.21％(0.28mm)；而扰动特征及对应的一致性约束使得三类血管平均dsc、sr和sp分别提升了1.88％，2.39％，2.01％，14.29％(2.87mm)，17.48％(0.25mm)，16.98％(0.36mm)的显著提升。此外，虽然最终模型pps的sr比bl+ppm的低0.53％，但是sp却高了0.89％；tc的sr比bl+ipm的低0.34，但是sp却高3.06％。因此，综合而言，训练时配备两种层面的扰动相关操作的血管自动分割模型三类血管指标的平均值达到最优，说明两个层面的扰动及一致性约束可以很好地兼容并贡献一致的性能提升。
[0117]
表2、本发明的血管自动分割模型在实验数据集上的模型消融结果
[0118][0119]
(3)泛化性能分析
[0120]
为了验证本发明的血管自动分割模型的泛化性能以及所有策略对泛化任务的有效性，在来自3个医学中的独立测试集上进行测试，结果如表3和表4所示。配备两个层面的扰动相关操作使血管自动分割模型在三个独立测试集上对于三类血管均实现了分割性能
的提升；同时结合两个模块构成的血管自动分割模型在三个独立测试集上分别获得了2.35％,3.47％,4.9％的平均dsc提升和27.75％(0.53mm)，30.09％(0.65mm)，33.47(0.84mm)的平均msd提升。实验结果显示了所提出的两个模块能够有效提升血管自动分割模型在不可见数据集上的泛化分割性能，证明所提出因果不变驱动干预方案对血管分割的稳定性和泛化性。
[0121]
表3、本发明的血管自动分割模型在多中心泛化消融实验结果(dsc，％)
[0122][0123]
表4、本发明的血管自动分割模型在多中心泛化消融实验结果(msd，％)
[0124][0125]
(4)与先进的血管分割算法的对比
[0126]
将本发明与现有的先进血管分割算法进行比较，对比方法包括3d unet、3d resunet、vnet、tsnet、cs2net、lvsnet。实验数据集的结果如表5所示。3d分割结果可视化如图5所示。接着比较血管分割模型的泛化性能。基于独立验证集，进一步将所提出的方法与两个最先进的泛化方法进行比较，bigaug和mixstyle，结果如表6和表7所示，可视化结果如图6所示。需要说明的是，由于这两个网络并不是专门为血管分割开发的模型，因此为了公平比较，基于本发明的基线网络复现上述文章的方法。在实验数据集和独立验证集上，本发明的血管分割方法在所有血管的所有指标上达到了最优。可视化结果直观表明本发明的血管分割方法可以更准确地分割血管区域。定量和定性结果都表明，本发明的血管分割方法实现了最佳的胰周血管分割性能。
[0127]
表5、本发明的血管自动分割模型在实验数据集上与先进的血管分割算法的比较
[0128]
[0129][0130]
表6、本发明的血管自动分割模型在独立验证集上与先进的血管分割算法的比较(dsc,％)
[0131][0132]
表7、本发明的血管自动分割模型在独立验证集上与先进的血管分割算法比较(msd,mm)
[0133]
[0134][0135]
本发明实施例所述的器官周边血管自动分割方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
[0136]
本发明实施例还提供一种器官周边血管自动分割系统，所述器官周边血管自动分割系统可以实现本发明所述的器官周边血管自动分割方法，但本发明所述的器官周边血管自动分割系统的实现装置包括但不限于本实施例列举的器官周边血管自动分割系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
[0137]
如图7所示，于一实施例中，本发明的器官周边血管自动分割系统包括获取模块71、第一构造模块72、第二构造模块73和训练模块74。
[0138]
所述获取模块71用于获取用户的腹部增强ct图像，并提取目标器官周边图像。
[0139]
所述第一构造模块72与所述获取模块71相连，用于基于所述目标器官周边图像构造造影驱动的多个扰动图像。
[0140]
所述第二构造模块73与所述获取模块71相连，用于基于所述目标器官周边图像构造模拟虚假相关的扰动特征。
[0141]
所述训练模块74与所述第一构造模块72和所述第二构造模块73相连，用于基于所述目标器官周边图像、扰动图像和扰动特征训练血管自动分割模型，以基于训练好的血管自动分割模型获取目标器官周边的血管分割结果。
[0142]
其中，获取模块71、第一构造模块72、第二构造模块73和训练模块74的结构和原理与上述器官周边血管自动分割方法中的步骤一一对应，故在此不再赘述。
[0143]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0144]
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本发明实施例的目的。例如，在本发明各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。
[0145]
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清
楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0146]
本发明实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的器官周边血管自动分割方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetic tape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，dvd))、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0147]
本发明实施例还提供了一种电子设备。所述电子设备包括处理器和存储器。
[0148]
所述存储器用于存储计算机程序。
[0149]
所述存储器包括：rom、ram、磁碟、u盘、存储卡或者光盘等各种可以存储程序代码的介质。
[0150]
所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的器官周边血管自动分割方法。
[0151]
优选地，所述处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0152]
如图8所示，本发明的电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元81，存储器82，连接不同系统组件(包括存储器82和处理单元81)的总线83。
[0153]
总线83表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0154]
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0155]
存储器82可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)821和/或高速缓存存储器822。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统823可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可
以通过一个或者多个数据介质接口与总线83相连。存储器82可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0156]
具有一组(至少一个)程序模块8241的程序/实用工具824，可以存储在例如存储器82中，这样的程序模块8241包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块8241通常执行本发明所描述的实施例中的功能和/或方法。
[0157]
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口84进行。并且，电子设备还可以通过网络适配器85与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图8所示，网络适配器85通过总线83与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0158]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

技术特征：
1.一种器官周边血管自动分割方法，其特征在于：所述方法包括以下步骤：获取用户的腹部增强ct图像，并提取目标器官周边图像；基于所述目标器官周边图像构造造影驱动的多个扰动图像；基于所述目标器官周边图像构造模拟虚假相关的扰动特征；基于所述目标器官周边图像、扰动图像和扰动特征训练血管自动分割模型，以基于训练好的血管自动分割模型获取目标器官周边的血管分割结果。2.根据权利要求1所述的器官周边血管自动分割方法，其特征在于：提取目标器官周边图像包括以下步骤：将所述腹部增强ct图像的灰度值截断到第一预设区间；采用最大最小归一化算法将灰度截断后的腹部增强ct图像映射至第二预设区间；在映射后的腹部增强ct图像中获取目标器官区域；将所述目标器官区域的外接立方体内的图像作为所述目标器官周边图像。3.根据权利要求1所述的器官周边血管自动分割方法，其特征在于：基于所述目标器官周边图像构造造影驱动的多个扰动图像包括以下步骤：训练图像外观分布扰动图像生成模型，所述图像外观分布扰动图像生成模型包括第一图像生成器、第二图像生成器、第一图像鉴别器和第二图像鉴别器；所述第一图像生成器用于基于源域图像和迁移变量生成迁移图像，所述第二图像生成器用于基于所述迁移图像和所述迁移变量生成所述源域图像，所述第一图像鉴别器用于鉴别所述源域图像和所述迁移图像；所述第二图像鉴别器用于鉴别所述迁移图像和所述目标域图像；以静脉期的目标器官周边图像为源域图像，基于所述第一图像生成器生成动脉期和延迟期的不同迁移变量对应的迁移图像，并将所述迁移图像作为所述扰动图像。4.根据权利要求3所述的器官周边血管自动分割方法，其特征在于：所述图像外观分布扰动图像生成模型的损失函数为对抗损失函数和循环一致损失函数的加权和；所述对抗损失函数为所述第一图像鉴别器的对抗损失函数和所述第二图像鉴别器的对抗损失函数的加权和；所述循环一致损失函数为所述第一生成器和所述第二生成器的损失函数。5.根据权利要求1所述的器官周边血管自动分割方法，其特征在于：基于所述目标器官周边图像构造模拟虚假相关的扰动特征包括以下步骤：提取所述目标器官周边图像的特征，并基于所述特征构建所述所述目标器官周边图像的原型和概率图；提取不同血管的原型构造原型池，并基于所述原型池抽取随机原型；计算所述随机原型和所述原型的差值，作为特征扰动方向；基于所述特征扰动方向和所述概率图计算特征扰动量；基于所述特征扰动量和所述特征构建所述扰动特征。6.根据权利要求1所述的器官周边血管自动分割方法，其特征在于：基于所述目标器官周边图像、扰动图像和扰动特征训练血管自动分割模型包括以下步骤：基于所述目标器官周边图像，在所述多个扰动图像中随机选取配对扰动图像；将所述目标器官周边图像、所述配对扰动图像和所述扰动特征作为三个支流输入所述血管自动分割模型进行训练；其中所述三个支流共享网络权重参数，针对血管分割结果采用相同标签；所述目标器官周边图像、所述配对扰动图像对应的支流采用原型对比损失函
数进行一致性约束。7.根据权利要求1所述的器官周边血管自动分割方法，其特征在于：还包括对训练好的血管自动分割模型进行性能评估，性能评估参数包括dice相似性系数、平均表面距离、豪斯多夫距离、平均骨架距离、骨架召回率、骨架精确率中的一种或多种组合。8.一种器官周边血管自动分割系统，其特征在于：所述系统包括获取模块、第一构造模块、第二构造模块和训练模块；所述获取模块用于获取用户的腹部增强ct图像，并提取目标器官周边图像；所述第一构造模块用于基于所述目标器官周边图像构造造影驱动的多个扰动图像；所述第二构造模块用于基于所述目标器官周边图像构造模拟虚假相关的扰动特征；所述训练模块用于基于所述目标器官周边图像、扰动图像和扰动特征训练血管自动分割模型，以基于训练好的血管自动分割模型获取目标器官周边的血管分割结果。9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项所述的器官周边血管自动分割方法。10.一种电子设备，其特征在于，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行权利要求1至7中任一项所述的器官周边血管自动分割方法。

技术总结
本发明提供一种器官周边血管自动分割方法、系统、介质、电子设备，所述方法包括以下步骤：获取用户的腹部增强CT图像，并提取目标器官周边图像；基于所述目标器官周边图像构造造影驱动的多个扰动图像；基于所述目标器官周边图像构造模拟虚假相关的扰动特征；基于所述目标器官周边图像、扰动图像和扰动特征训练血管自动分割模型，以基于训练好的血管自动分割模型获取目标器官周边的血管分割结果。本发明的器官周边血管自动分割方法、系统、介质、电子设备基于图像级和特征级的因果干预方案构建血管自动分割模型，有效增强了器官周边血管自动分割模型的泛化性能，提升了血管分割结果的可靠性。靠性。靠性。


技术研发人员：钱晓华 付雯丽
受保护的技术使用者：上海交通大学
技术研发日：2023.03.28
技术公布日：2023/7/18