[发明专利]一种基于二值骨架图的冠状动脉造影数据集存储方法

说明书

本发明提供了一种基于二值骨架图的冠状动脉造影数据集存储方法，包括：根据二值骨架图中像素点定义其坐标偏移量，获得二值骨架图的位置标签信息；定义节点类；将二值骨架图的信息通过节点类进行存储，以节点类的根节点为起点，通过遍历二值骨架图紧邻四周是否存在血管像素，不断更新血管像素点之间的位置关系，使血管像素点之间通过位置标签建立联系，得到一个存储所有血管像素信息的节点列表；将节点列表作为下一步网络的学习输入，从而进行学习预测。本发明能够显著节省用于存储神经网络训练数据集的空间，可以将训练集图片按照像素点间的位置结构关系进行存储，从而节省内存，同时也方便神经网络的数据读取。

技术领域

本发明属于深度学习技术领域，尤其涉及一种基于二值骨架图的冠状动脉造影数据集存储方法。

背景技术

近年来，中国心血管病的报告显示，心血管病的死亡率居首位，高于肿瘤以及其他疾病，占居民疾病死亡构成的40％以上。其中，慢性完全闭塞(Chronic Total Occlusion,CTO)病变——冠脉造影中血管的狭窄程度为100％或者几乎达到100％的病变。通常指闭塞时间大于等于3个月。这类病变事目前临床上较为棘手的一类心血管疾病，因为很多CTO病变患者并没有明显的临床症状，因而也未进行冠状动脉造影检查，然而一经发现便是已经发展成为较为严重的程度。

将深度学习与生物医学相结合是当下的热门研究方向。尤其在医疗辅助诊疗方面有着较好的表现。在CTO病变中，能够在术前预测出血管的延伸趋势，这对手术过程中导丝的切入有着极大的帮助作用。我们希望可以训练一个神经网络可以通过残缺闭塞的血管，补全术后完整的血管。预测过程以及预测方法就显得尤为重要。

目前，许多诊断程序都涉及为每个患者生成数百甚至数千张图像的过程，这些图像或许需要构建2D或3D图像重建，以冠状动脉造影为例，同时需要时间帧图像数据集。同时在临床上，诊断工具的应用使医生能够追踪冠状动脉的循环情况，使用冠状动脉造影设备对患者进行的一次扫描可以包含几千张图像，以覆盖整个必要的冠状动脉范围。考虑到每位患者使用的DICOM格式和造影过程的多步骤测量，冠脉图像数据集的大小约在10GB以上，这被认为是大型成像系统。

如果神经网络可以像大脑神经系统一样进行分析预测，就需要使用大量的数据进行网络训练。图片作为构成数据集的主要组成元素，存储以及读取数据集就是开始网络训练的首要任务，同时也是极为重要的步骤。对于通过处理得到的造影血管骨架图，是一种背景为黑色，血管为白色的二值图，网络通过学习每一个白色像素点与其相邻像素点的位置关系，从而对血管走势进行预测。

然而，常见的图像压缩技术仅对单个图像数据起作用，并且无法优化像冠状动脉造影成像这样的数据集中的图像序列。而且如今一些技术也是有损的，这意味着图像中包含的某些信息有可能在压缩过程中被删除。由于在医疗影像领域中，所有的信息都被认为是有价值的，因此有损压缩的存储方式在医学图像中通常是不需要的。

现有技术中利用二值图片存储信息，虽然直观形象，但所占内存较大。对于一个神经网络而言，占用内存和运行速度是一项重要的衡量指标。现有的技术不能够快速获取图片信息，节省内存。

发明内容

为了解决上述技术问题，本发明提出了一种基于二值骨架图的冠状动脉造影数据集存储方法，该方法能够显著节省用于存储神经网络训练数据集的空间，该存储方法可以将训练集图片按照像素点间的位置结构关系进行存储，从而节省内存，同时也方便神经网络的数据读取。

本发明通过以下技术方案来具体实现：

本发明提供了一种基于二值骨架图的冠状动脉造影数据集存储方法，包括：

步骤一、基于生成对抗网络(cGAN)，将从医院获得的冠状动脉造影图片的原始数据处理为血管二值分割图，再将血管二值分割图处理为二值骨架图；根据二值骨架图中像素点定义其坐标偏移量，基于坐标偏移量获得二值骨架图的位置标签信息；

步骤二、定义用于存储二值骨架图信息的节点类；