[发明专利]基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法

权利要求书

1.基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法，其特征在于，包括如下步骤：

S1、获取完全造影图像；

S2、基于卷积神经网络狭窄分类模型对完全造影图像进行分类，提取各类包含狭窄区域的完全造影图像；

S3、基于类激活图或锚的特征金字塔网络识别各类包含狭窄区域的完全造影图像中的狭窄区域；

其中，基于狭窄分类模型，设计类激活图作为狭窄激活图，来识别模型中对其分类决策具有不同贡献权重的狭窄区域；在训练模型中，类激活图的计算描述为特征图及其权值与狭窄类别的线性求和；在类激活图的基础上，通过对激活区域进行阈值化与边缘提取，从背景中将高激活区域识别出来形成目标识别框，在狭窄分类训练后，用类激活图作为狭窄激活图，用来定位识别训练模型中对其分类决策具有不同贡献权重的狭窄区域；

锚定义为一个具有5个属性的向量，这些属性表示为锚定框的中心坐标、宽度高度以及该框中狭窄区域的狭窄程度；为了预测这些属性，在预先训练的卷积神经网络狭窄分类模型的特征图上建立特征金字塔网络；

S4、将识别出的狭窄区域在对应的完全造影图像中进行标示。

2.如权利要求1所述的基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法，其特征在于，卷积神经网络狭窄分类模型中，用二分类设置和/或冗余分类设置替换最后一个全连接层和激活层。

3.如权利要求2所述的基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法，其特征在于，卷积神经网络狭窄分类模型中，用冗余分类设置替换最后一个全连接层和激活层时，训练卷积神经网络狭窄分类模型的训练数据集包括各类包含狭窄区域的完全造影图像，还包括作为其他类别的不包含狭窄区域的完全造影图像。

4.如权利要求1所述的基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法，其特征在于，步骤S2包括：

S201、将冠状动脉血管分为多个节段；

S202、基于卷积神经网络狭窄分类模型对完全造影图像进行分类，判断完全造影图像是否包含狭窄区域及狭窄区域所属节段；

S203、当完全造影图像包含狭窄区域时，生成对应节段狭窄的标签，并将标签映射到对应的完全造影图像中。