[发明专利]一种冠状动脉CT影像深度聚类和分割方法及系统

说明书

本发明公开了一种冠状动脉CT影像深度聚类和分割方法及系统，其中方法包括步骤如下：S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；S4：通过冠状动脉CT影像分类结果，利用3D U‑net分组对冠状动脉进行分割。本发明有利于提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。

技术领域

本发明涉及医学图像聚类和分割技术领域，更具体的，涉及一种基于CNN、K-means和3D U-net的冠状动脉CT影像深度聚类和分割方法及系统。

背景技术

目前，在传统的医学图像处理方法中，虽然聚类算法应用广泛，但也存在一定缺陷。现存方法中，对大范围数据集进行端对端训练的方法极少，大多数方法仅仅是基于简单的K-means、FCM等传统聚类算法[杨生友.聚类分析在医学图像中的应用[D].兰州大学,2009]、[周光华,李岳峰,孟群.模糊聚类分析在医学图像处理中的应用[J].中国卫生信息管理杂志,2011,08(004):69-73]。同时，现有的传统方法也未将卷积神经网络(Convolutional Neural Networks，CNN)和聚类方法相结合，并将其应用于冠状动脉CT影像分类。

其次，在传统的方法中，对于各种医学图像，通常需要由医生根据图像特征手动为图像打上标记，这种办法耗时且费力，还需要医生具备较高的专业素养和较扎实的理论知识基础，尽管近年来积累了众包方面的专家知识[Kovashka,A.,Russakovsky,O.,Fei-Fei,L.,Grauman,K.,et al.:Crowdsourcing in computer vision.Foundations and TrendsR in Computer Graphics and Vision 10(3)(2016)177–243]。

再者，由于冠状动脉结构具有高度复杂性，所以，对冠状动脉进行分割极具挑战。同时，不同患者的冠状动脉CT影像在时间、空间和不同解剖结构的影响下，图像结构各不相同。但整体结构上具有相似性，局部结构上存在差异。

发明内容

本发明为了解决传统图像聚类和分割方法存在不足的问题，提供了一种基于CNN、K-means和3D U-net的冠状动脉CT影像深度聚类和分割方法及系统，其提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。

为实现上述本发明目的，采用的技术方案如下：

一种冠状动脉CT影像深度聚类和分割方法，所述的方法包括步骤如下：

S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；

S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；

S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；

S4：通过冠状动脉CT影像分类结果，利用3D U-net分组对冠状动脉进行分割。

优选地，所述的卷积神经网络包括但不限于AlexNet、VGG-16。

进一步地，所述的聚类算法采用K-means聚类算法。

再进一步地，采用所述的K-means聚类算法将从卷积神经网络中抽取的所有特征聚成K类，然后，通过调整以下损失函数，对每个样本x赋予伪标签y：