[发明专利]一种基于模型迁移的冠状动脉钙化斑块检测方法

说明书

本发明公开了一种基于模型迁移的冠状动脉钙化斑块检测方法，读取训练集中的冠状动脉CT图像，根据医学影像标准，提取所述冠状动脉CT图像中的候选钙化斑块，对所述候选钙化斑块图像进行数据增强操作，将数据增强后的候选钙化斑块图像输入到已通过自然图像训练完成的全卷积网络模型中进行训练，得到检测模型，读取测试集中冠状动脉CT图像，根据医学影像标准，提取测试集中冠状动脉CT图像中的候选钙化斑块，将候选钙化斑块图像作为检测模型的输入，端对端得到每个像素是否属于钙化斑块的检测结果。本发明根据卷积神经网络模型可以在不同领域间迁移的特点，使用少量的训练样本训练检测冠状动脉钙化斑块的模型。

技术领域

本发明涉及人工智能与医学图像处理领域，特别涉及一种基于模型迁移的冠状动脉钙化斑块检测方法。

背景技术

冠心病在许多国家已经成为死亡原因的第一位。冠状动脉中的钙化斑块会造成冠脉血管狭窄，心肌缺氧，心脏舒缩功能下降，引发冠心病。因此，冠状动脉钙化斑块检测对于冠心病的预防有着至关重要的作用。

在传统的医学图像处理方法中，钙化斑块检测过程仍然需要人工介入，比如种子点或初始化区域的选取。

近年来，随着深度学习的发展，卷积神经网络已经在自然图像处理领域取得了空前的成果。但是，在医学图像领域，由于卷积神经网络的训练需要大量的有标记数据，而冠状动脉钙化斑块检测的专业性过强，只能通过专家来标记斑块，导致有标记的数据集规模不足以训练深度网络。

发明内容

本发明为了克服有标记的数据集规模过小的困难，将自然图像检测作为源域，冠状动脉钙化斑块检测作为目标域，提出一种基于模型迁移的冠状动脉钙化斑块检测方法。利用源域和目标域的参数共享模型，将利用自然图像训练完成的卷积神经网络的参数作为检测冠状动脉钙化斑块的卷积神经网络的初始化参数，减少训练深度卷积神经网络参数的计算量，用医学图像的小数据集训练深度卷积神经网络来检测冠状动脉图像中的钙化斑块。

本发明一种基于模型迁移的冠状动脉钙化斑块检测方法，主要包括以下步骤：

步骤1，读取训练集中的冠状动脉CT图像；

步骤2，根据医学影像标准，提取所述冠状动脉CT图像中的候选钙化斑块；

步骤3，对所述候选钙化斑块图像进行数据增强操作；

步骤4，将数据增强后的候选钙化斑块图像输入到已通过自然图像训练完成的全卷积网络模型中进行训练，得到检测模型；

步骤5，读取测试集中冠状动脉CT图像；

步骤6，根据医学影像标准，提取测试集中冠状动脉CT图像中的候选钙化斑块；

步骤7，将所述步骤6中得到的候选钙化斑块图像作为所述步骤4得到的检测模型的输入，端对端得到每个像素是否属于钙化斑块的检测结果。

本发明提供的一种基于模型迁移的冠状动脉钙化斑块检测方法，根据卷积神经网络模型可以在不同领域间迁移的特点，使用少量的训练样本训练检测冠状动脉钙化斑块的模型。

附图说明

图1是本发明提供的一种基于模型迁移的冠状动脉钙化斑块检测方法流程图。

具体实施方式

本发明的总体构思是，通过直接对病人的冠状动脉CT图像进行全自动分析，得到图像中的候选钙化斑块，然后通过深度学习中的模型迁移方法，利用经过自然图像训练的深度学习模型来训练冠状动脉钙化斑块的卷积神经网络模型，从而准确地预测冠状动脉医学图像中的钙化斑块。

下面结合附图对本发明实施例提供的一种基于模型迁移的冠状动脉钙化斑块的检测方法进行详细描述。

图1为本发明实施例提供的一种基于模型迁移的冠状动脉钙化斑块检测方法流程图。