[發(fā)明專利]使用遞歸神經(jīng)網(wǎng)絡(luò)進行血管疾病檢測的方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710485670.0
• 申請日: 2017-06-23
• 公開（公告）號: CN107545269B
• 公開（公告）日: 2021-06-08
• 發(fā)明（設(shè)計）人: D.科馬尼丘;M.A.古爾森;鄭冶楓;P.沙爾馬;B.喬治斯庫
• 申請（專利權(quán)）人: 西門子保健有限責(zé)任公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06N3/02;G06T7/00;G06T7/60
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 徐紅燕;張濤

1.一種使用遞歸神經(jīng)網(wǎng)絡(luò)進行血管疾病檢測的方法，包括：

從3D計算機斷層掃描血管造影CTA圖像提取多個2D橫截面圖像分塊，其中，在沿著3DCTA圖像中的所關(guān)注血管的血管中心線的多個采樣點的相應(yīng)一個處提取2D橫截面圖像分塊中的每一個；以及

使用經(jīng)訓(xùn)練的遞歸神經(jīng)網(wǎng)絡(luò)RNN，基于所述多個2D橫截面圖像分塊，通過對沿著所述血管中心線的所述多個采樣點中的每一個進行分類來檢測所述所關(guān)注血管中的血管中心線的假分支；

其中，使用經(jīng)訓(xùn)練的遞歸神經(jīng)網(wǎng)絡(luò)RNN，基于所述多個2D橫截面圖像分塊，通過對沿著所述血管中心線的所述多個采樣點中的每一個進行分類來檢測所述所關(guān)注血管中的血管中心線的假分支包括：

使用經(jīng)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)CNN將所述2D橫截面圖像分塊中的每一個編碼成相應(yīng)的特征向量；以及

使用經(jīng)訓(xùn)練的雙向RNN，基于對應(yīng)于所述多個2D橫截面圖像分塊的特征向量對沿著所述血管中心線的多個采樣點中的每一個進行分類。

2.根據(jù)權(quán)利要求1所述的方法，還包括：

檢測所述3D CTA圖像中的所關(guān)注血管的血管中心線。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述雙向RNN是雙向長短期記憶LSTM網(wǎng)絡(luò)，并且使用經(jīng)訓(xùn)練的雙向RNN，基于對應(yīng)于所述多個2D橫截面圖像分塊的特征向量對沿著所述血管中心線的多個采樣點中的每一個進行分類包括：

將對應(yīng)于所述多個2D橫截面圖像分塊的特征向量輸入正向LSTM網(wǎng)絡(luò)和反向LSTM網(wǎng)絡(luò)；

使用所述正向LSTM網(wǎng)絡(luò)，以從第1采樣點到第n采樣點的正向，對沿著所述血管中心線的所述多個采樣點中的每一個進行順序地分類，其中，基于對應(yīng)于在該采樣點處提取的2D橫截面圖像的特征向量和對應(yīng)于在先前由所述正向LSTM網(wǎng)絡(luò)分類的采樣點處提取的2D橫截面圖像的特征向量，所述正向LSTM網(wǎng)絡(luò)對每個采樣點進行分類；

使用所述反向LSTM網(wǎng)絡(luò)，以從第n采樣點到第1采樣點的反向，對沿著所述血管中心線的所述多個采樣點中的每一個進行順序地分類，其中，基于對應(yīng)于在該采樣點處提取的2D橫截面圖像的特征向量和對應(yīng)于在先前由所述反向LSTM網(wǎng)絡(luò)分類的采樣點處提取的2D橫截面圖像的特征向量，所述反向LSTM網(wǎng)絡(luò)對每個采樣點進行分類；以及

針對所述多個采樣點中的每一個，對由所述正向LSTM輸出的分類結(jié)果和所述反向LSTM輸出的分類結(jié)果進行組合。

4.根據(jù)權(quán)利要求1所述的方法，其中，使用經(jīng)訓(xùn)練的遞歸神經(jīng)網(wǎng)絡(luò)RNN，基于所述多個2D橫截面圖像分塊，通過對沿著所述血管中心線的所述多個采樣點中的每一個進行分類來檢測所述所關(guān)注血管中的血管中心線的假分支包括：

針對所述2D橫截面圖像分塊中的每一個生成多尺度圖像信息；以及

使用所述經(jīng)訓(xùn)練的RNN，基于針對所述多個2D橫截面圖像分塊生成的多尺度圖像信息，對沿著血管中心線的所述多個采樣點中的每一個進行分類。

5.根據(jù)權(quán)利要求4所述的方法，其中，針對所述2D橫截面圖像分塊中的每一個生成多尺度圖像信息包括：

針對所述2D橫截面圖像分塊中的每一個生成具有多個降低了分辨率的圖像分塊的圖像金字塔。

6.根據(jù)權(quán)利要求5所述的方法，其中，所述經(jīng)訓(xùn)練的RNN是雙向長短期記憶LSTM網(wǎng)絡(luò)，并且使用所述經(jīng)訓(xùn)練的RNN，基于針對所述多個2D橫截面圖像分塊生成的多尺度圖像信息，對沿著血管中心線的所述多個采樣點中的每一個進行分類包括，針對沿著所述血管中心線的所述多個采樣點中的每一個：

使用針對每個分辨率的相應(yīng)經(jīng)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)CNN，將針對在當前采樣點處提取的2D橫截面圖像分塊生成的多個降低了分辨率的圖像分塊中的每一個編碼為針對每個分辨率的相應(yīng)特征向量；

將從所有的多個降低了分辨率的圖像編碼的特征向量級聯(lián)成級聯(lián)特征向量；

基于雙向LSTM的經(jīng)學(xué)習(xí)的輸入門控功能，輸入當前采樣點的級聯(lián)特征向量；和

基于針對當前采樣點的輸入級聯(lián)特征向量和雙向LSTM在當前采樣點處的存儲器狀態(tài)，對當前采樣點進行分類。