[发明专利]基于深度学习的冠状动脉病变自动检测方法、系统和设备

权利要求书

1.一种基于深度学习的冠状动脉病变自动检测方法，其特征在于，该方法包括以下步骤：

步骤一、训练步骤，包括：

S101、文本信息处理模块从医疗综合数据库中存储的冠状动脉病变病历中提取病人的基本特征，基于提取的基本特征使用C4.5决策树算法训练一个分类决策树，分类决策树将病变种类信息输出至Dicom视频处理模块中；

S102、Dicom视频处理模块通过接收到的病变种类信息，使用SSN从医疗综合数据库中存储的与所述病变种类信息对应的心脏造影Dicom视频中筛选出包含病变的关键帧，并将关键帧输出到神经网络控制器中；

S103、神经网络控制器基于caffe深度学习框架使用关键帧数据逐层训练，若网络训练次数小于设定阈值，从Dicom视频处理模块中继续读取关键帧数据逐层训练，直至网络训练次数达到设定阈值，停止训练，将神经网络中各个层的参数组合成模型存储到模型存储模块中；

步骤二、测试步骤：

S201、神经网络控制器接收特定病人的Dicom视频，基于特定病人的Dicom视频从模型存储模块中提取对应的模型，将特定病人的Dicom视频数据输入至训练好的模型中，输出最终的病变位置和病变种类。

2.如权利要求1所述的方法，其特征在于，步骤S101中，所述基本特征指的是包含敏感特征信息和/或缺失特征信息的病例特征信息。

3.如权利要求1-2之一所述的方法，其特征在于，步骤S102中，具体包括：

接收从医疗综合数据库中存储的与所述病变种类信息对应的整段心脏造影Dicom视频；

基于病变种类信息，使用SSN协同分析整段心脏造影Dicom视频中出现的关键动作位置点；

基于关键动作位置点，对整段Dicom视频分段，并迭代此步骤，直到视频分段满足设定值；

选取视频分段中的任意一帧作为关键帧，将关键帧输入到神经网络控制器中。

4.如权利要求1所述的方法，其特征在于，Dicom视频包含若干帧的冠状血管造影，冠状血管造影中标记有病变部位，包括但不限于全部梗阻、狭窄、三叉神经、分叉、主动脉病变，严重迂曲、重度钙化、血栓中的一种或多种。

5.如权利要求1所述的方法，其特征在于，步骤S103中，具体包括：

神经网络控制器将关键帧数据不断输入至神经网络训练模块中，神经网络训练模块将关键帧数据从下至上逐层通过神经网络的各个层，每一层的卷积核对输入做处理，产生的输出作为下一层的输入，直到最后一层，计算出最后预测的病变位置，和真实的病变位置作比较计算出偏差值，将偏差值输出至反馈模块中；

反馈模块通过BP算法反向传播偏差值，从上至下逐层更新每一层卷积核的参数；

若网络训练次数小于设定阈值，从Dicom视频处理模块中继续读取关键帧数据逐层训练，直至网络训练次数达到设定阈值，停止训练，将每一层卷积核的参数合成模型存储到模型存储模块中。

6.如权利要求1所述的方法，其特征在于，步骤S103之后，还包括步骤S104，具体包括：

神经网络控制器从模型存储模块中读取预训练好的模型，判断该模型的网络迭代次数是否小于阈值，若是，则重复步骤S103，当特征优化速度变慢时，降低优化幅度继续重复步骤S103；若否，则进入测试步骤。