(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 202210713452.9 (22)申请日 2022.06.22 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 米晨晰　曾安　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 郑堪泳 (51)Int.Cl. G06T 7/10(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01) (54)发明名称 一种基于多标签与分割网络的冠状动脉图 像分割方法 (57)摘要 本发明提供一种基于多标签与分割网络的 冠状动脉图像分割方法， 包括以下步骤： S1： 获取 心血管三维图像； S2： 分别采用二维分割网络和 三维分割网络对心血管三维图像进行分割处理， 得到带标签的第一分割特征图和第二分割特征 图； S3： 将第一分割特征图和第二分割特征图融 合后进行冠状动脉图像预测， 得到预测的冠状动 脉二维图像； S4： 根据预测的冠状动脉二维图像 重构出冠状动脉三维图像， 即得到分割好的冠状 动脉图像。 本发 明提供一种基于多标签与分割网 络的冠状动脉图像 分割方法， 解决了现有的分割 技术难以准确分割出 冠状动脉图像的问题。 权利要求书2页 说明书6页 附图2页 CN 115082494 A 2022.09.20 CN 115082494 A 1.一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 包括以下步骤： S1： 获取心血 管三维图像； S2： 分别采用二维分割网络和三维分割网络对心血管三维图像进行分割处理， 得到带 标签的第一分割特 征图和第二分割特 征图； S3： 将第一分割特征图和第二分割特征图融合后进行冠状动脉图像预测， 得到预测的 冠状动脉二维图像； S4： 根据预测的冠状动脉二维图像重构出冠状动脉三维图像， 即得到分割好的冠状动 脉图像。 2.根据权利要求1所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 所述 二维分割网络为2D  U‑Net。 3.根据权利要求2所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 通过以下步骤得到第一分割特 征图： 先将尺寸为l*h*w的心血管三维图像根据Z轴切片， 得到w张2D切片， 记第i张2D切片为 Ii， 其标签为Li； 然后将2D切 片输入2D  U‑Net中对其冠状动脉部分进行分割， 取2D  U‑Net倒 数第二层的二维特征图， 记为第一分割特征图Mi， i＝1,2, …,w， l、 h、 w分别为心血管三维图 像的长、 高、 宽 。 4.根据权利要求3所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， i ＝3,4,…,w‑2。 5.根据权利要求1所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 所述 三维分割网络包括3D  U‑Net和3D modified  U‑Net； 其中， 所述3D U‑Net用于对心血 管三维图像进行 预分割； 所述3D modified  U‑Net用于对预分割后的心血 管三维图像进一 步分割。 6.根据权利要求5所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 在预分割处理中， 标签数据包括心肌、 左心室、 右心室、 主动脉、 肺动脉、 左冠状动脉 和右冠状动脉。 7.根据权利要求6所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 通过以下步骤得到第二分割特 征图： S2.1： 采用3D  U‑Net对心血 管三维图像进行 预分割； S2.2： 对预分割后的心血 管三维图像依次进行 下采样、 归一 化的预处 理； S2.3： 将预处 理后的心血 管三维图像输入3D  modified  U‑Net中进一 步分割； S2.4： 取3D  modified  U‑Net倒数第二层的三维特 征图， 并对三维特 征图进行 上采样； S2.5： 将上采样后的三维特 征图按Z轴切片， 第二分割特 征图Mi′。 8.根据权利要求7所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 在步骤S2.4中， 将三维特征图的尺寸上采样 至与心血管三 维图像相同， 而保持三 维 特征图的通道数不变。 9.根据权利要求1所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 通过通道拼接将第一分割特 征图和第二分割特 征图融合， 得到融合特 征图。 10.根据权利要求9所述的一种基于多标签与分割网络的冠状动脉图像分割方法， 其特 征在于， 通过集 成模型对融合特征图进 行冠状动脉图像预测， 所述集成模 型包括3*3二 维卷权　利　要　求　书 1/2 页 2 CN 115082494 A 2积层、 ReLU函数激活层、 全连接层和残差结构； 在所述集成模型中， 将融合特征图依次经过3*3二维卷积层和ReLU函数激活层， 提取出 高层语义特征图， 通过残差结构将第一分割 特征图和高层语义特征图进行叠加， 最后经过 全连接层输出 预测的冠状动脉二维图像。权　利　要　求　书 2/2 页 3 CN 115082494 A 3