[发明专利]DSA影像识别方法、装置及存储介质

说明书

本发明提供一种DSA影像识别方法、装置及存储介质，包括：接收2D‑DSA影像数据，所述2D‑DSA影像数据包括一个或多个2D‑DSA图像；基于CNN模型对所述2D‑DSA图像进行第一阶段的区域识别，在所述2D‑DSA图像中定位特定区域，在定位特定区域后基于CNN模型对所述2D‑DSA图像进行第二阶段的动脉瘤识别得到识别结果数据；将所述识别结果数据输出，其中识别结果数据包括对所述2D‑DSA图像进行标记的动脉瘤标签。本发明通过CNN网络算法可以对2D‑DSA图像进行两阶段的处理，逐步定位到动脉瘤，有效减少其他因素的干扰、提高检测精度。

技术领域

本发明涉及DSA影像识别技术，尤其涉及一种DSA影像识别方法、装置及存储介质。

背景技术

颅内动脉瘤是由大脑动脉血管壁不正常的局部扩张引起的脑血管疾病。颅内动脉瘤往往是由内膜薄弱造成的，似乎与多囊性肾病，纤维性增生，主动脉缩窄等有关。如果不及时发现和治疗，颅内动脉瘤破裂会导致蛛网膜下腔出血，会导致严重的神经系统后遗症和高死亡率。

颅内动脉瘤在人群中比较普遍，根据统计，其发病率在世界范围为3％，在中国范围为7％。大量人群有动脉瘤而不自知，颅内动脉瘤的检测筛查就非常有必要。数字减影血管造影(DSA)一直被认为是诊断颅内动脉瘤的金标准。当考虑手术或血管内治疗时，DSA被推荐用于颅内动脉瘤的识别和评估。与CT血管造影(CTA)和磁共振血管造影(MRA)相比，DSA具有更高的分辨率和检测灵敏度，尤其是对于小于3毫米的颅内动脉瘤。

DSA将获取的二维DSA造影图像，以标准医学数字成像和通信格式(DigitalImaging and Communications in Medicine，DICOM)进行记录。DSA图像通过造影剂在整个动脉的流动，进行数据序列的采样，采样率为每秒3至5帧，采样过程通常持续3至15秒。在成像过程中，患者头部应处于稳定位置，以便获得清晰的成像序列。医生应该检查整个二维DSA影像序列来识别颅内动脉瘤。检查过程可能需要比预期更长的时间，并且由于颅内动脉瘤的位置和形状可能会出现错误，小的颅内动脉瘤有时会被误诊。传统的诊断方法很费力，它需要熟练和经验丰富的医生的参与。尽管如此，仍不时会出现无法识别颅内动脉瘤的情况。因此，诊断颅内动脉瘤的自动系统可以在一定程度上减轻医生的负担。

对于蛛网膜下腔出血的患者，医生需要获得颅内四支动脉(左、右颈总动脉和左、右椎动脉)的前后位二维DSA(2D-DSA)和侧视图。如果在动脉上发现颅内动脉瘤，应立即进行三维DSA(3D-DSA)重建整个动脉。重建的三维DSA提供了有关血管形态和病理的必不可少的信息。医生可以利用它来详细分析血管的几何形状，即血管直径，动脉瘤的位置和大小，以便做出临床决定。但3D-DSA图像的质量可能因患者而异。在临床实践中，有许多因素对3D-DSA图像的质量有影响，包括造影剂的注射量、注射时机、造影剂的血流动力学指标，以及血流、心输出量等因素的差异，另外患者之间的重建参数也可能不同。这些因素会造成医生在给患者选择治疗方案时出现偏差。

另一方面，与2D-DSA模式相比，3D-DSA模式具有更多信息，可以轻松识别动脉瘤，但是发展中国家的大多数医院只能以昂贵的3D设备价格购买2D血管造影设备，侵入性检查的3D-DSA数据相当有限。

目前DSA模式的自动计算机辅助诊断研究是基于经典数字图像处理方法的，采取的是2D-DSA图像。然而，经典数字图像处理方法不能解决动脉瘤自动定位问题，目前特征提取方法由于复杂的血管分布而受到严重阻碍，并且滑动窗口方法在搜索和特征提取期间非常耗时，经典数字图像处理方法不是最佳方法。

与经典数字图像处理方法相比，卷积神经网络(Convolutional NeuralNetworks,CNN)的方法已被证明在特征提取中更有效。在近年来，CNN架构已被广泛应用在物体检测，并取得良好的效果。此外，CNN方法在一些医学影像检测工作中也取得了良好的表现。但是，当前还没有一种技术方案将CNN架构与动脉瘤的识别相结合。

发明内容