[發明專利]一種基于模型遷移的冠狀動脈鈣化斑塊檢測方法

有效

• 申請號: 201711134737.2
• 申請日: 2017-11-16
• 公開（公告）號: CN107871318B
• 公開（公告）日: 2018-11-09
• 發明（設計）人: 趙孟雪;車翔玖;呂沖
• 申請（專利權）人: 吉林大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 長春吉大專利代理有限責任公司 22201
• 代理人: 杜森垚

本發明公開了一種基于模型遷移的冠狀動脈鈣化斑塊檢測方法，讀取訓練集中的冠狀動脈CT圖像，根據醫學影像標準，提取所述冠狀動脈CT圖像中的候選鈣化斑塊，對所述候選鈣化斑塊圖像進行數據增強操作，將數據增強后的候選鈣化斑塊圖像輸入到已通過自然圖像訓練完成的全卷積網絡模型中進行訓練，得到檢測模型，讀取測試集中冠狀動脈CT圖像，根據醫學影像標準，提取測試集中冠狀動脈CT圖像中的候選鈣化斑塊，將候選鈣化斑塊圖像作為檢測模型的輸入，端對端得到每個像素是否屬于鈣化斑塊的檢測結果。本發明根據卷積神經網絡模型可以在不同領域間遷移的特點，使用少量的訓練樣本訓練檢測冠狀動脈鈣化斑塊的模型。

技術領域

本發明涉及人工智能與醫學圖像處理領域，特別涉及一種基于模型遷移的冠狀動脈鈣化斑塊檢測方法。

背景技術

冠心病在許多國家已經成為死亡原因的第一位。冠狀動脈中的鈣化斑塊會造成冠脈血管狹窄，心肌缺氧，心臟舒縮功能下降，引發冠心病。因此，冠狀動脈鈣化斑塊檢測對于冠心病的預防有著至關重要的作用。

在傳統的醫學圖像處理方法中，鈣化斑塊檢測過程仍然需要人工介入，比如種子點或初始化區域的選取。

近年來，隨著深度學習的發展，卷積神經網絡已經在自然圖像處理領域取得了空前的成果。但是，在醫學圖像領域，由于卷積神經網絡的訓練需要大量的有標記數據，而冠狀動脈鈣化斑塊檢測的專業性過強，只能通過專家來標記斑塊，導致有標記的數據集規模不足以訓練深度網絡。

發明內容

本發明為了克服有標記的數據集規模過小的困難，將自然圖像檢測作為源域，冠狀動脈鈣化斑塊檢測作為目標域，提出一種基于模型遷移的冠狀動脈鈣化斑塊檢測方法。利用源域和目標域的參數共享模型，將利用自然圖像訓練完成的卷積神經網絡的參數作為檢測冠狀動脈鈣化斑塊的卷積神經網絡的初始化參數，減少訓練深度卷積神經網絡參數的計算量，用醫學圖像的小數據集訓練深度卷積神經網絡來檢測冠狀動脈圖像中的鈣化斑塊。

本發明一種基于模型遷移的冠狀動脈鈣化斑塊檢測方法，主要包括以下步驟：

步驟1，讀取訓練集中的冠狀動脈CT圖像；

步驟2，根據醫學影像標準，提取所述冠狀動脈CT圖像中的候選鈣化斑塊；

步驟3，對所述候選鈣化斑塊圖像進行數據增強操作；

步驟4，將數據增強后的候選鈣化斑塊圖像輸入到已通過自然圖像訓練完成的全卷積網絡模型中進行訓練，得到檢測模型；

步驟5，讀取測試集中冠狀動脈CT圖像；

步驟6，根據醫學影像標準，提取測試集中冠狀動脈CT圖像中的候選鈣化斑塊；

步驟7，將所述步驟6中得到的候選鈣化斑塊圖像作為所述步驟4得到的檢測模型的輸入，端對端得到每個像素是否屬于鈣化斑塊的檢測結果。

本發明提供的一種基于模型遷移的冠狀動脈鈣化斑塊檢測方法，根據卷積神經網絡模型可以在不同領域間遷移的特點，使用少量的訓練樣本訓練檢測冠狀動脈鈣化斑塊的模型。

附圖說明

圖1是本發明提供的一種基于模型遷移的冠狀動脈鈣化斑塊檢測方法流程圖。

具體實施方式

本發明的總體構思是，通過直接對病人的冠狀動脈CT圖像進行全自動分析，得到圖像中的候選鈣化斑塊，然后通過深度學習中的模型遷移方法，利用經過自然圖像訓練的深度學習模型來訓練冠狀動脈鈣化斑塊的卷積神經網絡模型，從而準確地預測冠狀動脈醫學圖像中的鈣化斑塊。

下面結合附圖對本發明實施例提供的一種基于模型遷移的冠狀動脈鈣化斑塊的檢測方法進行詳細描述。

圖1為本發明實施例提供的一種基于模型遷移的冠狀動脈鈣化斑塊檢測方法流程圖。