买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利基于拓扑知识的医学影像中血管分割建模方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115908297B 。

龙图腾网通过国家知识产权局官网在2026-03-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211408809.9，技术领域涉及：G06T7/00；该发明授权基于拓扑知识的医学影像中血管分割建模方法是由王洪凯;秦波波设计研发完成，并于2022-11-11向国家知识产权局提交的专利申请。

本基于拓扑知识的医学影像中血管分割建模方法在说明书摘要公布了：本发明提出了一种基于拓扑知识的医学影像中血管分割建模方法，首先基于U‑Net神经网络创建分割动静脉血管模型，并利用样本图像及其标注结果对模型进行训练，在训练时，利用部分监督方法，在数据集中加入部分标签的数据；利用图割算法作为后处理，对神经网络的预测结果进行优化，提高血管分割结果的准确率；利用GrowCuts、层序遍历等算法构建血管的拓扑结构，其中包括对血管进行分段处理，获取血管半径，提取动静脉子树结构。本发明利用了数据集中完整标签与不完整标签的数据混合训练、引入了图割等优化算法，在保证分割精度的同时提升了算法的鲁棒性，且实现了血管拓扑结构的构建，形成了一套从医学影像中提取血管和构建血管拓扑结构的完整算法流程。

本发明授权基于拓扑知识的医学影像中血管分割建模方法在权利要求书中公布了：1.一种基于拓扑知识的医学影像中血管分割建模方法，其特征在于，包括以下步骤： 步骤A：基于U-Net神经网络创建一个分割动静脉血管模型即网络模型，采用部分监督方法，利用图像数据及其标注结果对分割动静脉血管模型进行训练； 步骤A1，创建分割动静脉血管模型： 分割动静脉血管模型采用3D的U-Net网络作为基础模型，U-Net神经网络的左侧为编码器部分，右侧为解码器部分；左侧编码器降采样K次，对应右侧解码器上采样K次，输出图像恢复到输入图像的尺寸，输入图像尺寸为固定值；分割动静脉血管模型中还使用了跳跃连接，将每一级编码器的特征图和每一级解码器的特征图进行拼接，保证分割结果的精细度； 步骤A2，训练分割动静脉血管模型： 利用已有的数据集进行训练；为了尽可能地充分使用已有数据，提高网络的鲁棒性，基于部分监督的方法，在数据集中加入部分标签的数据；在训练时，修改分割动静脉血管模型的损失函数；在测试时，加入后处理步骤B，提高动静脉分割的准确率；通过网络模型获得动静脉的输出概率和血管结果； 在训练时，网络模型使用的损失函数为交叉熵损失函数与Dice损失函数的组合： 交叉熵损失函数： ； 其中，为样本i对应的血管标签结果，为样本i对应的网络模型输出结果，N为样本数； Dice损失函数： ； 其中，为样本i对应的血管标签结果，为样本i对应的网络模型输出结果，N为样本数； 分割动静脉血管模型使用的损失函数： ； 其中，为交叉熵损失函数的系数，为Dice损失函数的系数； 步骤B：对步骤A的分割动静脉血管模型分割的血管结果利用图割算法进行后处理优化： 步骤B1，利用细化算法提取血管的中线： 首先基于细化算法对步骤A得到的分割动静脉血管模型分割的血管结果进行中线的提取，其过程是在满足拓扑不变和几何约束条件下，使用细化算法重复删除边界点；同时并行重新检查具有非重叠邻域的八个子体素，直至得到一个连通点集作为“骨架”； 细化算法具体过程如下： 在分割得到的三维血管图像中，首先对某个血管体素构建一个局部的3×3×3的立方体，用来检查血管体素的局部连通性，用26邻域和6邻域来表示；同时将局部的3×3×3的立方体以中心体素进行划分，划分为8个相互重叠的2×2×2立方体；那么，因此给出以下定义： ； 其中，表示血管体素，表示血管体素的6个邻域，表示血管体素的26个邻域，表示包含血管体素的局部某一个2×2×2立方体； 在细化算法处理时，从六个方向获得三维血管图像的边界，再将三维血管图像的血管体素分为三种类型：边界体素、欧拉不变体素和简单体素； 三种类型体素的定义如下： 给定血管体素，其中表示所有血管体素，值为1，对应的补集为，相当于背景，值为0；如果它的连接对象只有一个，即属于背景，则该血管体素被认为是边界体素； 给定血管体素，如果从中去除体素时欧拉数不会改变，则该血管体素被认为是欧拉不变体素；而欧拉数具体定义是： ； ； 其中，表示删除体血管素前后参数值的变化量，表示所有血管体素的集合中26邻域的欧拉数，表示所有血管体素的集合中6邻域的欧拉数；用来判断在包含血管体素的集合中，第i个的8个顶点是否全为1，如果是，则置为1，否则置为0；、表示第i个包含的正方体面数以及边数；，,表示在去除血管体素之后，各个参数相应的变化值； 给定血管体素，如果从中去除时其26个邻域的连通性保持不变，则该血管体素被认为是简单体素； 通过从血管区域中迭代删除这三种体素来执行骨架化，当删除之后血管体素不再发生变化，即获得整体的骨架，也就是对应的中线；同时为了结果满足拓扑关系与几何约束，在删除点时使用顺序重新检查程序来保持整体的连通性； 步骤B2，提取血管的图结构： 步骤B1中获取血管的中线后，通过网络拓扑算法对血管的中线进行分叉点识别、分段处理，从而获取血管的图结构；具体如下： 首先在血管中线中，利用血管中心点体素的26邻域识别出血管分叉点，再根据提取到的分叉点，对每一个的分叉点，从不同的方向搜索相邻分叉点，然后把相邻的分叉点与搜索路径上的中心点进行统计，得到一段的血管中线；接着利用同一分叉点上搜索到不同的分支，提取局部的血管中线连接关系；最后完成整个血管中线的遍历，获得血管的图结构； 步骤B3，利用图割算法进行后处理优化： 虽然利用步骤A的分割动静脉血管模型分割得到血管，但是血管之间会出现粘连、错分情况，因此使用图割算法结合步骤B1、B2进行后处理优化； 具体的处理方法是利用步骤B2提取的血管中线段和局部连接关系，计算每一个血管段的长度和相邻血管段交叉角度；对于一个血管段的某个中心点，根据该中心点的位置，对步骤A2的血管进行截面切割，然后经过筛选之后，得到目标截面；再计算该中心点到截面各点距离的平均值，作为当前中心点半径值；而对于整个血管段，计算该血管段的所有离散中心点半径的平均值，作为当前血管段的半径；为了提高血管分割的准确率，先将每一段血管中线视为图节点，然后在图割算法中综合考虑步骤A2中网络输出的动静脉概率，以及提取到的血管段半径、长度和交叉角度，最后通过最小化图割算法的能量优化函数实现血管中线的分割，从而获得优化后的二分类血管中线结果；图割算法的能量优化函数为： ； 其中，A表示作为图节点的血管中线，EA表示损失函数，RA是先验惩罚项，BA是区域相似度惩罚项，λ是平衡因子； 步骤B4，利用步骤B3分类好的中线结果，使用GrowCuts算法对血管进行区域生长； GrowCuts算法通过局部竞争性的区域生长，提取感兴趣区域；在步骤B3中，得到了二分类的血管中线点，接着将中线点、步骤A2的血管结果利用GrowCuts算法进行区域生长，最终获得优化之后的动静脉分割结果； 步骤C：利用GrowCuts算法对步骤B优化的血管结果进行拓扑结构的构建： 步骤C1、使用GrowCuts算法获取分段血管： 首先对于步骤B2得到血管的分段结果，将每一段血管中线赋予不同标签值，然后利用GrowCuts算法以每段中心点的标签值作为种子点，向整个血管生长；在生长完成之后，结果中的血管由于不同段的标签值不同而显示为不同的颜色，从而看出血管的不同层级，即完成了血管树的初步层级构建； 步骤C2、使用截面方法获取血管的半径： 为获得血管的半径信息，首先使用截面算法对步骤B4优化的血管进行截面切割操作，再通过识别感兴趣中心点所在平面的法向量对血管进行截面切割，由于在切割过程中会得到其它点的截面，所以需要对得到的截面进行筛选，经过筛选之后，得到目标截面；然后再获取该目标截面上所有点的坐标，并计算这些点到中心点距离的平均值，即为所求的血管半径； 步骤C3、使用层序遍历方法提取动静脉树状结构： 为了更加具体地确定动脉或者静脉子树中每一层级的血管情况，通过手动确定动脉或者静脉的子树根节点，然后使用层序遍历统计每一层级的血管，根据步骤C1的结果，对每一层级的血管赋予不同标签值，然后利用GrowCuts算法进行生长，最后完成动脉或静脉的某一子树的层级式显示。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。