[發明專利]一種基于深度學習的CT腹部動脈血管分級識別方法

在審

• 申請號: 202010740903.9
• 申請日: 2020-07-29
• 公開（公告）號: CN111862123A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 張堃;韓宇;范陸健;范雷金;馮文宇;殷佳煒;華亮;李文俊;鮑毅
• 申請（專利權）人: 南通大學;杭州博拉哲科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06T5/40;G06N3/08;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的CT腹部動脈血管分級識別方法，其特征在于，包括如下步驟：

步驟1：圖像預處理，得到訓練集；

步驟2：對訓練集進行圖像塊剪裁操作，得到數據集；

步驟3：通過深度學習進行血管分割；

步驟4：骨骼化處理；

步驟5：尋找交叉點；

步驟6：累加交叉點。

2.根據權利要求1所述的一種基于深度學習的CT腹部動脈血管分級識別方法，其特征在于，所述步驟1包括以下步驟：

步驟1.1：采用CLAHE算法對圖像進行直方圖均衡化；

步驟1.2：采用伽馬變換調整圖像整體灰度；

步驟1.3：歸一化圖像像素值在0到1之間。

3.根據權利要求2所述的一種基于深度學習的CT腹部動脈血管分級識別方法，其特征在于，所述步驟1.1包括：在CLAHE算法中，對于像素鄰域，對比度是通過變換函數的斜率計算得到的，變換函數的斜率與該像素鄰域的累積分布函數CDF斜率成正比，在計算該像素鄰域的CDF之前，CLAHE算法根據指定的閾值對直方圖進行裁剪，并將裁剪部分均勻地分布到直方圖中。

4.根據權利要求2所述的一種基于深度學習的CT腹部動脈血管分級識別方法，其特征在于，所述步驟1.2包括：伽馬變換通過對灰度值進行非線性操作，使處理后圖像的灰度值I_OUT與處理前圖像的灰度值I_in之間呈現非線勝指數關系，實現灰度拉伸；

伽馬變換公式如下：

I_out＝cI_in^γ

其中I_in為處理前圖像的灰度值，I_OUT為處理后圖像的灰度值，c為灰度縮放系數，γ為變換指數。

當γ取不同值時，輸入灰度值取0到255并對輸入輸出灰度值都做歸一化為0到1之間，當γ小于1時，伽馬變換提高圖像的灰度值，圖像視覺上變亮；當γ大于1時，伽馬變換拉低圖像灰度值，圖像視覺上變暗；當γ等于1時，整體亮度與原圖一致，取γ值為0.5。

5.根據權利要求2所述的一種基于深度學習的CT腹部動脈血管分級識別方法，其特征在于，所述步驟1.3包括：像素的歸一化通過將所有像素值除以最大像素值來實現，最大像素值為255；

計算公式如下：

x'＝(x-X_min)/(X_max-X_min)

其中，x'為歸一化結果，x為輸入像素值，X_min為所有輸入圖像像素中的最小值，X_max為所有輸入圖像像素中的最大值。

6.根據權利要求1所述的一種基于深度學習的CT腹部動脈血管分級識別方法，其特征在于，所述步驟2包括：對于訓練集，裁剪時生成一組隨機坐標，以隨機坐標作為中心點，裁剪大小為48*48的圖像塊，得到數據集。