[发明专利]一种基于深度学习的心脏冠状动脉分割及识别的方法

权利要求书

1.一种基于深度学习的心脏冠状动脉分割及识别的方法，其特征在于，包括：

选取分段心脏造影Dicom视频中任意一帧图片作为训练样本，将训练样本输入神经网络中；

神经网络中的卷积神经网络模块接收所述训练样本，通过深度学习的方法对训练样本中的图片进行血管的分割和识别，将用于分割和识别的心脏血管特征图输出至金字塔模块；

神经网络中的金字塔模块接收用于分割和识别的心脏血管特征图，应用金字塔融合的方法，输出不同尺度的心脏血管特征图至反卷积层；

神经网络中的反卷积层接收不同尺度的心脏血管特征图，通过双线性插值的方法得到心脏冠状动脉分割及识别血管图；

所述卷积神经网络模块由多层相同单元多次堆叠而成，所述单元从上到下依次为卷积层、批规范化层、快捷连接层、激活函数层；

所述分段心脏造影Dicom视频的获取方法包括：

接收医疗综合数据库中存储的与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视频中出现的关键特征信息；

基于关键特征信息并结合体位信息，对整段Dicom视频进行分段，并迭代基于关键特征信息并结合体位信息，对整段Dicom视频进行分段的步骤，直到最终找到满足设定的分段视频。

2.如权利要求1所述的方法，其特征在于，所述卷积层接收训练样本，对训练样本数据中每个固定大小的像素块进行2D卷积运算，提取训练样本数据中含有的用于分割和识别的特征图，并将特征图输出至批规范化层。

3.如权利要求1所述的方法，其特征在于，所述批规范化层接收卷积层输出的特征图，对特征图数据进行减去均值除以方差的操作，使得特征图数据统一分布，并将批规范化特征图输出到快捷连接层。

4.如权利要求1所述的方法，其特征在于，所述快捷连接层接收批规范化层的输出，将卷积层的输入与批规范化层的输出按权重相加得到特征图，并将特征图输出到激活函数层。

5.如权利要求1所述的方法，其特征在于，所述激活函数接收快捷连接层的输出，对接收到的数据进行非线性处理，即对这些特征图进行relu运算；将处理后的数据输入下一个单元的卷积层；直到神经网络结构中所有的单元计算完卷积网络的所有特征提取层，得到用于分割和识别的心脏血管特征图，并将用于分割和识别的心脏血管特征图输入金字塔模块。

6.如权利要求1所述的方法，其特征在于，所述金字塔模块接收用于分割和识别的心脏血管特征图，应用金字塔融合的方法，先对特征图进行卷积操作，输出不同尺度的心脏血管特征图；将不同尺度的心脏血管特征图输入反卷积层；

反卷积层接收不同尺度的心脏血管特征图，通过双线性插值的方法将不同尺度的心脏血管特征图放大到同一大小，最终沿着一个维度合并到一起，得到心脏冠状动脉分割及识别血管图。

7.如权利要求1所述的方法，其特征在于，还包括参数更新的步骤，该步骤包括：

比较输出的心脏冠状动脉分割及识别血管图和医生精标注心脏冠状动脉分割及识别血管图的不同得到损失值，通过梯度下降法对神经网络各个层的参数进行更新；迭代运行所有的步骤，直到通过神经网络分割和识别出的血管图与医生精标注之间损失值低于预设的阈值。

8.如权利要求1所述的方法，其特征在于，还包括测试步骤，该步骤包括：

步骤一：读取拍摄到的患者的心脏造影Dicom视频文件，提取关键帧，输入神经网络；并读取该患者的体位对应的模型参数；

步骤二：神经网络进行初始化，建立多层神经网络结构，并读取训练好的对应体位的模型参数；

步骤三：神经网络接收患者的心脏造影Dicom视频图像，通过深度学习的方法对输入图片进行血管的分割和检测，输出不同体位关键帧的血管分割和识别图片；

步骤四：对不同体位重复步骤一到步骤三，直到将所有体位的关键帧处理完毕。