[發明專利]基于深度學習和光流法的心臟冠狀動脈影像分割識別方法

有效

• 申請號: 201811016723.5
• 申請日: 2018-09-03
• 公開（公告）號: CN109146872B
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 張洪剛;梁梟;王筱斐;陳東浩;葉丹
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06N3/04
• 代理公司: 北京挺立專利事務所(普通合伙) 11265
• 代理人: 葉樹明

本發明提供了一種基于深度學習和光流法的心臟冠狀動脈影像分割識別方法，通過選取分段心臟造影Dicom視頻中任意連續兩幀圖片作為訓練樣本，將訓練樣本輸入神經網絡中；神經網絡基于所述訓練樣本，計算連續兩幀圖片之間的光流信息作為兩幀之間的映射，同時將光流信息輸入神經網絡中；神經網絡通過深度學習的方法對前一幀圖片及光流信息得到的第三特征圖及當前幀圖片得到的第四特征圖組合得到的第五特征圖輸入金字塔模塊中，金字塔模塊基于第五特征圖應用金字塔融合的方法得到不同尺度的心臟血管特征圖；反卷積層通過雙線性插值的方法將不同尺度的心臟血管特征圖沿著一個維度合并到一起，得到心臟冠狀動脈影像分割識別血管圖，提高了分割精確度。

技術領域

本發明涉及互聯網技術領域，尤其涉及一種基于深度學習和光流法的心臟冠狀動脈影像分割識別方法。

背景技術

冠狀動脈造影圖像的分割是圖像分割技術在醫學領域的重要應用，冠狀動脈血管的精確提取可以輔助醫生診斷心血管疾病并確定合適的治療方案，同時其也是血管三維重建的重要基礎，在臨床醫療中發揮著重要作用。

傳統應用深度學習技術對Dicom視頻文件進行分割的做法是一幀一幀的進行分割，而且沒有利用到幀與幀之間的關聯性，最終導致分割結果抖動比較大，效果并不是那么好。

發明內容

為了解決上述問題，本文提出了一種基于深度學習和光流法的心臟冠狀動脈影像分割識別方法，可以實現端到端的訓練，以一定的準確率在心臟冠狀動脈造影圖像上實現血管分割識別。本發明采用光流法來表示幀與幀之間的關聯性，并將其作為輸入提供給神經網絡進行訓練，這使得神經網絡可以獲得更多有價值的信息，從而可以得到較好的分割結果。

為了達到上述目的，本發明提供的一種基于深度學習和光流法的心臟冠狀動脈影像分割識別方法，包括：

選取分段心臟造影Dicom視頻中任意連續兩幀圖片作為訓練樣本，將訓練樣本輸入神經網絡中；神經網絡基于所述訓練樣本，計算連續兩幀圖片之間的光流信息作為兩幀之間的映射，同時將光流信息輸入神經網絡中；

神經網絡通過深度學習的方法對前一幀圖片及光流信息得到的第三特征圖及當前幀圖片得到的第四特征圖組合得到的第五特征圖輸入金字塔模塊中，金字塔模塊基于第五特征圖應用金字塔融合的方法得到不同尺度的心臟血管特征圖；反卷積層通過雙線性插值的方法將不同尺度的心臟血管特征圖沿著一個維度合并到一起，得到心臟冠狀動脈影像分割識別血管圖。

進一步的，所述分段心臟造影Dicom視頻的獲取方法包括：

接收醫療綜合數據庫中存儲的與病變種類信息對應的整段心臟造影Dicom視頻；

基于病變種類信息，使用SSN(Structured Segment Network,結構分割網絡)協同分析整段心臟造影Dicom視頻中出現的關鍵特征信息。

基于關鍵特征信息并結合體位信息，對整段Dicom視頻進行分段，并迭代該步驟，直到最終找到滿足設定的分段視頻。

進一步的，所述卷積神經網絡模塊由多層相同單元多次堆疊而成，同時讀取預訓練模型參數；

所述單元從上到下依次為卷積層、批規范化層、快捷連接層、激活函數層。

進一步的，所述神經網絡通過深度學習的方法對前一幀圖片及光流信息得到的第三特征圖的步驟包括：

將兩幀圖片中的前一幀圖片取出輸入卷積模塊，運行模型計算圖，取出計算過程中最后一個卷積層輸出的第一特征圖；

將光流信息輸入卷積模塊中進行主要特征提取，得到第二特征圖；

打包層接收第一特征圖和第二特征圖，對第一特征圖和第二特征圖進行線性插值的操作，將第一特征圖和第二特征圖進行有效信息的融合，得到第三特征圖。