[发明专利]冠状动脉狭窄度估计方法系统及设备

权利要求书

1.一种冠状动脉狭窄度估计方法，其特征在于，包括：

对获取的医学数字成像和通信DICOM图像进行预处理，获取符合要求的DICOM图像；

将预处理后的DICOM图像输入预先训练好的神经网络，通过所述神经网络输出钙化区域以及冠状动脉区域，其中，所述神经网络的结构为：在3D Unet神经网络的基础上，在其跳跃连接层中加入卷积模块使其构成稠密连接的形式，在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度；

确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域，计算钙化区域最大直径和对应的冠状动脉直径，根据所述钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度，获取与所述冠状动脉狭窄度对应的病变等级，将所述病变等级以及所述冠状动脉狭窄度输出。

2.根据权利要求1所述的方法，其特征在于，对获取的医学数字成像和通信DICOM图像进行预处理，获取符合要求的DICOM图像具体包括：

对所述DICOM图像进行重采样到预定间隔spacing，使所述DICOM图像的spacing一致；

将所述DICOM图像的灰度值统一到[100,500]之间；

将所述DICOM图像切割为若干个小区域；

对所述若干个小区域进行数据增强；

将此时的图像矩阵与掩膜矩阵相乘，裁剪掉背景区域，得到目标区域的图片；

对所述目标区域的图片进行灰度值归一化，最终得到符合要求的DICOM图像。

3.根据权利要求1所述的方法，其特征在于，金字塔池化模块的结构为：所述金字塔池化模块包含3个特殊的空洞卷积层，所述3个特殊的空洞卷积层通过设置不同的空洞大小来实现不同大小的感受野，拥有感知不同尺度信息的能力。

4.根据权利要求1所述的方法，所述方法进一步包括：

预先对所述神经网络进行训练：

根据公式1-3构造用于神经网络训练的损失函数：

L_total＝L_dice+L_focal 公式1；

其中，L_total表示总目标函数，_Ldice表示dice系数，L_focal表示focal系数，u表示预测结果，v表示标签值，K表示样本总数，p表示预测结果，q表示标签值，C表示样本总数，γ表示易分类样本比例，α表示平衡因子；

通过调节损失函数中γ的大小调节易分类样本的比例；

通过所述损失函数对所述神经网络在训练时的输出结果进行计算，将计算结果返回到所述神经网络，使得所述神经网络根据损失函数反馈的结果进行相应的调整；

在所述神经网络进行训练时，同时通过最上层跳跃连接层中加入的卷积模块和神经网络右侧最上层的反卷积输出层进行预测输出，根据输出结果对所述神经网络进行剪枝，调整所述神经网络的参数量，最终保存预测输出最优的分支对应的参数量；

在所述神经网络进行训练时，将数据集划分为n份，将n份数据集中的每一份轮流作为验证集，获取n份不同的数据集，使用不同的n份数据集分别训练n个神经网络，将所述n个神经网络组合，形成最终的神经网络，将所述n个神经网络的输出结果进行平均处理，得到最终输出的钙化区域以及冠状动脉区域。

5.一种冠状动脉狭窄度估计系统，其特征在于，包括：

图像预处理模块，用于对获取的医学数字成像和通信DICOM图像进行预处理，获取符合要求的DICOM图像；

预测模块，用于将预处理后的DICOM图像输入预先训练好的神经网络，通过所述神经网络输出钙化区域以及冠状动脉区域，其中，所述神经网络的结构为：在3D Unet神经网络的基础上，在其跳跃连接层中加入卷积模块使其构成稠密连接的形式，在下采样最底层添加了金字塔池化模块从而增大对小区域的敏感度；

计算模块，用于确定最大直径的斑块所在的钙化区域和对应的冠状动脉区域，计算钙化区域最大直径和对应的冠状动脉直径，根据所述钙化区域最大直径和对应的冠状动脉直径计算冠状动脉狭窄度，获取与所述冠状动脉狭窄度对应的病变等级，将所述病变等级以及所述冠状动脉狭窄度输出。