[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

说明书

本发明提供了一种基于深度学习的冠状动脉病变自动检测方法、系统和设备，通过训练步骤和测试步骤应用基于深度学习的物体检测技术到冠状动脉的病变检测之中。应用基于机器学习的文本处理技术到冠状动脉的病变检测之中。将文本处理与图像处理技术融合，融合了多个模态的信息用于冠状动脉的病变检测。完全将冠状动脉病变检测的流程自动化，在检测过程中无需人工参与。使用本发明的技术方案解决了医疗图像中的病变无法实时检测，而且像素检测的准确度低的技术问题，可以实时地检测出心脏冠状动脉中的病变，并给医生以参考和帮助。相比其他系统，本发明显著提高了病变检测率，缩短了诊疗流程。

技术领域

本发明涉及数字图像的目标检测技术领域，尤其涉及一种基于深度学习的冠状动脉病变自动检测方法、系统和设备。

背景技术

冠状动脉疾病是目前世界上死亡率最高的疾病之一。数字剪影血管造影(DSA)和(CT)是目前可以诊断心脏动脉疾病程度的主要方法。一般医生将导管送入心脏的冠状动脉窦，之后通过导管释放造影剂，使得冠状动脉显影，在这之后，医生根据不同的体位观察并最终确认病变所在的位置。由于造影剂的流动延迟和其他的一些原因，有时候很难准确判断一个血管的病变。对医学图像中感兴趣的区域或者病变做检测是对心脏病诊断的关键步骤，但同时会消耗临床医生大量的时间。

近年来，计算机辅助诊疗系统在医学图像检测中有着突出的表现。如专利号为CN201310476548.9，名称为：目标检测方法和装置的发明专利公开了基于方向梯度直方图特征，采用Adaboost算法对标定正负的图像样本进行训练，得到目标检测模型；接收待检测图像；基于BoxFlter算法提取所述待检测图像的有向梯度直方图特征，并通过所述目标检测模型进行目标检测的技术方案，能够提高HOG(Histogram of Oriented Gradient)特征的提取速度，从而提高视频监控中的目标检测速度。

该技术方案虽然使用了数字图像的目标检测技术，但是使用的方法中使用了手工提取的特征和较为浅层的级联分类器针对自然图像进行目标检测，准确率较低速度较慢。

发明人在研究的过程中发现，在医疗领域，大多数已经发表的基于目标检测的医疗系统仍然使用手工提取的特征或者是使用深度网络提取的特征来执行像素(或超像素)的分类，之后应用某种形式的后处理来获得对象的候选框。使用手工特征，耗时耗力，对于不同病变要使用不同的特征。而使用深度网络基于逐个像素执行的分类任务，这种方法的计算量相当大，导致了对于医疗图像中的病变无法实时检测，而且像素检测的准确度低，因为它忽略了图像中的空间信息。

发明内容

为了解决上述技术问题，本发明的主要目的在于提供了一种基于深度学习的冠状动脉病变自动检测方法、系统和设备，该技术方案无需人工参与，可以自动检测心脏冠状动脉上微小病变，检测速度快。检测任务包括了在整张图片上对于小病变的定位与判别。目前为止，对于计算机辅助检测系统已经有很长时间的研究，提高了检测的准确率并减少了医生读图的时间。

为了达到上述目的，本发明一方面提供了一种基于深度学习的冠状动脉病变自动检测方法，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；