[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

说明书

本发明公开了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，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；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。本发明通过神经网络对完全造影图像中狭窄区域的自动标示，减少了工作人员的工作量，为冠状动脉血管疾病的诊断提供了更加准确的图像基础。

技术领域

本发明涉及图像识别领域，具体涉及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。

背景技术

冠状动脉疾病(冠心病，Coronary artery disease,CAD)是全球发病率和死亡率的主要原因。侵入式冠状动脉造影成像技术(X-ray coronary angiography,CAG，或Invasive Coronary Angiography，ICA)是目前诊断冠心病的金标准成像技术，其中针对动脉狭窄的诊断和评估是开展进一步诊断和临床规划的重要步骤。

目前，在医疗图像处理及辅助诊断领域，基于机器视觉(Computer Vision，CV)和人工智能(Artificial Intelligence，AI)的方法与临床诊断评估方法已经越来越紧密地结合在一起，用于解决处理过程中的图像降噪、目标识别、组织分割、疾病预测等问题，已经成为其不可分割的一部分。在侵入式冠脉造影成像中，也有许多研究人员对狭窄检测方法提出基于机器视觉、模式识别的自动或半自动算法以协助疾病评估诊断。其中较为常见的是基于动脉血管检测的算法流程，其步骤包括动脉提取、直径计算和狭窄分析等。例如，许多学者将机器视觉中的目标轮廓提取/中心线提取的技术应用到血管中心跟踪上；更为流行的方法是基于图像分割的技术和最近的基于卷积神经网络(卷积神经网络)的分割等；这样，通过精确提取CAG图像中的冠状动脉，以此为基准实现对冠心病的疾病预测与定性/定量分析。

然而，现有技术中的做法都是非端到端的，即中间存在大量的预处理步骤，如冠状动脉轮廓的标注和对比帧的选取等，这些都需要人工来进行操作。给操作人员带来了沉重的负担，同时不可避免地会给整体系统流程带来误差和错误。

因此，如何实现端到端的冠状动脉血管造影图像狭窄区域的标示，成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术存在的上述不足，本发明要解决的技术问题是：如何实现端到端的冠状动脉血管造影图像狭窄区域的标示。

为解决上述技术问题，本发明采用了如下的技术方案：

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，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；

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。

优选地，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。

优选地，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。

优选地，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；