[發明專利]一種基于深度學習的冠狀動脈分割方法

在審

• 申請號: 202011611306.2
• 申請日: 2020-12-30
• 公開（公告）號: CN112785551A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 祝磊;朱潔萍;徐平;劉亦安;嚴明;薛凌云;馬駿
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

1.一種基于深度學習的冠狀動脈分割方法,其特征在于：包括如下步驟

B1.獲取原始CTA心臟圖像；

B2.對B1.原始CTA心臟圖像歸一化預處理，選取最佳的CT值觀測窗口，截取CTA圖像中冠狀動脈區域，抑制肺部靜脈血管等非心臟組織，提升目標和背景的對比度；

B3.圖像數據增廣；

B4.構建深度學習網絡，采用兩個基于三層中繼監督機制但訓練標簽不同的深度神經網絡Net A和Net B對冠狀動脈CTA數據進行訓練，得到冠狀動脈識別模型A以及B；

B5.利用B4.得到的冠狀動脈識別模型進行冠狀動脈分割。

2.根據權利要求1所述的一種基于深度學習的冠狀動脈分割方法,其特征在于：所述步驟B3圖像數據增廣的方法包括水平翻轉、垂直翻轉、隨機縮放、隨機彈性變換、隨機伽馬校正中的一種或多種。

3.根據權利要求1所述的一種基于深度學習的冠狀動脈分割方法,其特征在于：所述Net A以及所述Net B的網絡結構都包括八層，其中第一層為輸入層，第二層至第層七為隱藏層，第八層為輸出層，各層順次連接，各層結構如下：

第一層：輸入層：輸入訓練集的三維CTA圖像矩陣和每個CTA矩陣的真實標簽；

第二層：隱藏層：包含兩個卷積層，每個卷積后都接一個歸一化層和激活函數層，最后采用一個池化層進行下采樣；

第三層：隱藏層：包含兩個卷積層，每個卷積后都接一個歸一化層和激活函數層，最后采用一個池化層進行下采樣；

第四層：隱藏層：包含兩個卷積層，每個卷積后都接一個歸一化層和激活函數層，最后采用一個池化層進行下采樣；

第五層：隱藏層：包含兩個卷積層，每個卷積后都接一個歸一化層、一個激活函數層，最后接一個UpSampling層，所述UpSampling進行上采樣，上層圖像數據在本層進行首次卷積后進行歸一化以及激活處理，然后再次進行卷積后再進行歸一化以及激活處理，最后進行上采樣操作；

第六層：隱藏/中繼輸出層：包含一個跳躍拼接層，兩個卷積層，每個卷積后都接一個歸一化層、一個激活函數層，最后接一個UpSampling層，同時輸出一個損失函數Loss1，所述UpSampling進行上采樣，上層圖像數據在本層進行首次卷積后進行歸一化以及激活處理，然后再次進行卷積后再進行歸一化以及激活處理，最后進行上采樣操作；

第七層：隱藏/中繼輸出層：包含一個跳躍拼接層，兩個卷積層，每個卷積后都接一個歸一化層、一個激活函數層，最后接一個UpSampling層，同時輸出一個損失函數Loss2，所述UpSampling進行上采樣，上層圖像數據在本層進行首次卷積后進行歸一化以及激活處理，然后再次進行卷積后再進行歸一化以及激活處理，最后進行上采樣操作；

第八層：隱藏/中繼輸出層：包含一個跳躍拼接層，兩個卷積層，每個卷積后都接一個歸一化層、一個激活函數層，最后接一個UpSampling層，同時輸出一個損失函數Loss3，所述UpSampling進行上采樣，上層圖像數據在本層進行首次卷積后進行歸一化以及激活處理，然后再次進行卷積后再進行歸一化以及激活處理，最后進行上采樣操作；

第九層：輸出層:網絡最終的Loss由Loss1、Loss2、Loss3經計算式

加權得到。