一种基于MLP的血管增强方法

技术领域：

本发明涉及图像处理技术领域，具体涉及一种基于MLP的血管增强方法。

背景技术：

血管遍布全身，是人体重要的组织器官之一，在当前的临床诊断和疾病筛查中扮演重要角色，但目前的血管影像中存在许多噪声干扰，血管与背景的对比度仍然达不到理想效果，因此需要进行血管增强。

目前，已有的血管增强方法大都需要设置大量的参数，对于不同的实验数据要进行实验调整，同时，现有的血管增强法方法对非血管区域都有强响应，影响血管增强效果，因此，亟需设计一种简洁高效的血管增强方法。

发明内容：

针对上述问题，本发明设计了一种基于MLP(多层感知机)的血管增强方法，以达到提升血管增强效果的目的。

一种基于MLP的血管增强方法，所述方法包括以下步骤：

步骤1：获取医学图像，形成医学图像数据集，将所述医学图像数据集按照1:1的比例划分训练集和测试集，并在训练集中随机选出20％作为验证集；一般的，选取单通道的灰度图作为输入，若医学图像为彩色图像，则选择血管与背景对比度最强的通道作为输入；

步骤2：预估所述训练集中每张医学图像中最粗血管的直径d

步骤3：计算每个探测窗口下的海森矩阵及其特征值和特征向量；

步骤4：将所述特征向量输入至待训练MLP模型中，训练得到MLP模型；

步骤5：将验证集中的患者医学图像输入至所述MLP模型得到血管增强结果。

优选的，所述医学图像包括二维图像和三维图像。

优选的，所述所述步骤3进一步包括：

若输入的医学图像为二维图像，则所述二维图像像素点对应的海森矩阵H为

血管结构复杂，往往贯穿于其它的人体组织中，血管灰度值与其它人体组织的灰度值差别不大，即使打了造影剂，最终出来的成像结果仍然包含很多的噪声点，所以在计算海森矩阵前需要对图像进行高斯滤波处理，以达到降噪和平滑的目的：

海森矩阵的计算过程则转化为：

计算所述海森矩阵的特征值：HX＝λX，其中，X为所述海森矩阵的特征向量，λ为所述海森矩阵的特征值；若输入的医学图像为二维图像，则所述医学图像每个像素点对应两个特征值，每个特征值对应一个特征向量，且|λ

优选的，所述MLP模型包括输入层、隐含层和输出层。

优选的，将步骤3中每个探测窗口下的特征值λ构建为一个列向量作为所述输入层的输入；所述隐含层的节点数目取值范围为[80,120]，输入层到隐含层采用的激活函数为ReLU函数；所述输出层包含一个节点，且采用sigmoid作为激活函数。

优选的，预估所述训练集中每张医学图像中最粗血管的直径d

优选的，所述用图像处理软件测量最粗血管的直径具体为：采用MITK软件打开待处理医学图像，找到最粗的血管，并以像素(或体素)为单位测量其直径d

优选的，所述利用d

本方法设计的一种基于MLP的血管增强方法，通过预估待处理医学图像数据最大血管直径即可得到血管增强结果，无需根据不同的数据设置不同的参数，方法简洁；同时，本方法对MLP隐含层节点数据选取做了说明，增加了MLP模型的可解释性，最后，本方法公开的一种基于MLP的血管增强方法，对非血管区域不具有强反应，有效提升了血管增强的精确度。

附图说明：

附图1是本实施方式中MLP模型的验证集Loss在不同隐含层节点下的变化趋势图。

附图2是本实施方式中训练集对医学图像背景点选取的示意图。

附图3是本实施方式中血管增强效果对比图。

附图4是本实施方式中每个数据集上的ROC曲线和PR曲线。

具体实施方式：

为了使本发明技术方案更容易理解，现结合具体实施例的方式对本发明公开的一种基于MLP的血管增强方法进行清晰、完整的描述。

本实施方法中的实验环境为：处理器：Inter Core i7-7800X；内存：32G；GPU：GeForce GTX 1080Ti；操作系统:Windows10；编程环境：Python＝＝3.6,Matlab＝＝2020a；深度学习框架：PyTorch＝＝1.0.1；数据可视化：Matplotlib,openCV。

步骤100：获取医学图像，形成医学图像数据集，将所述医学图像数据集按照1:1的比例划分训练集和测试集，并在训练集中随机选出20％作为验证集；一般的，选取单通道的灰度图作为输入，若医学图像为彩色图像，则选择血管与背景对比度最强的通道作为输入；本实施例中的数据选自DRIVE、STARE和IRCAD数据集，这三个数据集既包含了二维数据和三维数据，又包含了彩色图像和灰度图像，且都包含了血管专家标注和目标组织的掩膜专家标注，因此可以作为算法评价的金标准，表1为所述三个数据集的信息：

表1数据集信息

其中，CFP为Color Fundus Photography(彩色眼底图像)，CT为computedtomography(计算机断层扫描)，IRCAD数据集横断面的分辨率为512*512，每组CT的横断面切片数量74-260。这三组数据集不仅包含了血管标注，而且包含了目标组织的标注(Mask)，如附图2所示，其中Mask用于对血管增强后的结果做进一步后处理，仅仅保留目标器官以内的像素(或体素)，增强了本方法设计的模型在血管增强方面的精确度。同时，本实施方式在量化增强效果时，也是仅统计Mask以内的体素(或像素)。本实施方式对DRIVE和STARE数据集中的数据进行整张图片的计算，而在IRCAD数据集中由于肝脏区域在整个个体数据中占比较小，因此只进行肝脏内像素点的计算。

步骤110：预估所述训练集中每张医学图像中最粗血管的直径d

步骤120：计算每个探测窗口下的海森矩阵及其特征值和特征向量：若输入的医学图像为二维图像，则所述二维图像像素点对应的海森矩阵H为

血管结构复杂，往往贯穿于其它的人体组织中，血管灰度值与其它人体组织的灰度值差别不大，即使打了造影剂，最终出来的成像结果仍然包含很多的噪声点，所以在计算海森矩阵前需要对图像进行高斯滤波处理，以达到降噪和平滑的目的：

海森矩阵的计算过程则转化为：

并通过公式HX＝λX计算所述海森矩阵的特征值，其中，X为所述海森矩阵的特征向量，λ为所述海森矩阵的特征值；若输入的医学图像为二维图像，则所述医学图像每个像素点对应两个特征值，每个特征值对应一个特征向量，且|λ

由于海森矩阵H是对称矩阵，其特征向量是正交关系。海森矩阵表示当前灰度变化率的变化率，所以在等步长的前提下，沿着海森矩阵最大特征值的方向，灰度的变化率最大，同样沿着海森矩阵最小特征值的方向，灰度的变化率最小。根据海森矩阵的特征值能够判断当前像素点(或者体素点)所对应的探测结构是圆状结构(或者球状结构)还是线状结构(或者管状结构)。大部分的血管可以抽象成线状结构(或者管状结构)，便能够进行血管增强。

步骤130：将所述特征向量输入至待训练MLP模型中，训练得到MLP模型，所述待训练MLP模型包含输入层、隐含层和输出层；

由步骤120可知，二维图像探测窗口的取值为[6δ+1,6δ+1]，三维图像探测窗口的取值为[6δ+1,6δ+1,6δ+1]，因此，探测窗口的取值取决于δ，6δ+1的取值范围为[1,d

本实施方式采取的是只包含一个隐含层的MLP模型，所以只需要确定隐含层所包含的节点数N

输入层到输出层采用ReLU激活函数，输出层只包含一个节点，并采用sigmod函数作为激活函数，因此每个像素点所对应的输出结果都在0到1之间，越接近于1，则越是被判定为血管区域的概率越大。

步骤140：将验证集中的医学图像经最大血管直径预估后，输入至训练好的MLP模型中，生成血管增强的结果。

为了量化本发明公开的一种血管增强方法的有效性，本实施例选取经常使用的滤波函数Frangi滤波和Jerman滤波作为与本方法进行对比，并对量化血管增强的效果做如下定义：真阳性(TP)是指金标准血管和算法分割的血管重合的部分；假阳性(FP)是指金标准背景和算法分割的血管重合的部分；真阴性(TN)是指金标准背景和算法分割的背景重合的部分；假阴性(FN)是指金标准血管和算法分割的背景重合的部分。其中敏感性(Sen)，特异性(Spe)，精准率(Pre),召回率(Re)，分割常用的量化参数Dice率(DSC)定义如下：

对血管增强后的结果采用不同的阈值分割可以得到一系列的Sen,Spe,Pre,Re值，据此可以画出其对应的ROC曲线和PR曲线并可以计算AU-ROC和AU-PR值。

滤波函数Frangi滤波和Jerman滤波与本方法生成的血管增效效果如附图3所示；附图4为每个数据集上的ROC曲线和PR曲线，其中，第一行为不同算法DRIVE数据集的ROC曲线和PR曲线，第二行、第三行分别为STARE和IRCAD上不同算法的ROC曲线和PR曲线，附图4和表2中，Frangi滤波函数中去除抑制圆形噪声的部分，然后再进行血管增强，结果记为Frangi'。AUROC、AUPR和DSC统计如表2所示，其中DSC是在输出血管概率图的基础上采用最优阈值二值化之后的结果计算的，最优阈值是指DSC最高的阈值。

表2三种方法的量化结果

从附图3～4及表2中能够看出本方法所公开的血管增强算法在三个数据集上的AUROC、AUPR、DSC均优于所对比的其他血管增强方法。

应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理和宗旨的的前提下，还可以做出若干改进、替换、变型和润饰，这些改进、替换、变型和润饰也应视为本发明的保护范围。