[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

说明书

本发明提供了一种基于深度学习的心脏冠状动脉分割及识别的方法，通过选取分段心脏造影Dicom视频中任意一帧图片作为训练样本，神经网络中的卷积神经网络模块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；金字塔模块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；反卷积层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的技术方案，可以对图片中每一个像素打标签，识别出图片中不同血管的类型。消除了由于背景像素和血管像素比例差异较大而导致的分类不均衡问题，有效的避免了图像背景中类似血管状的纹理引入的干扰，提高了分割精确度。

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于深度学习的心脏冠状动脉分割及识别的方法。

背景技术

冠状动脉造影图像的分割是图像分割技术在医学领域的重要应用，冠状动脉血管的精确提取可以辅助医生诊断心血管疾病并确定合适的治疗方案，同时其也是血管三维重建的重要基础，在临床医疗中发挥着重要作用。

现有的技术一般为基于冠状动脉血管的特性，设计相应的滤波器完成增强血管特征和抑制背景噪声任务。通常造影图像的背景与血管颜色非常相近，缺乏鲁棒性，所以在提取过程中极容易将背景中的条纹提取为血管。这就大大降低了分割的准确率。

由于心脏造影图像中血管的形状极为相似，所以现有技术很难判断出每条血管的具体类型。

发明内容

本发明提供了一种基于深度学习的心脏冠状动脉分割及识别的方法，解决了心脏冠状动脉造影图像的分割和识别问题。通过本发明的技术方案可以通过较高的准确率分割并识别出造影图像中的心脏冠状动脉，为医生分析病变提供辅助材料同时可作为血管三维重建的基础。

为了达到上述目的，本发明提供的一种基于深度学习的心脏冠状动脉分割及识别的方法，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；所述神经网络由卷积神经网络模块、金字塔模型和反卷积层组成；

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；

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；

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。

进一步的，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，并迭代该步骤，直到最终找到满足设定的分段视频。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。