[发明专利]一种基于深度学习的冠状动脉分割方法

权利要求书

1.一种基于深度学习的冠状动脉分割方法,其特征在于：包括如下步骤

B1.获取原始CTA心脏图像；

B2.对B1.原始CTA心脏图像归一化预处理，选取最佳的CT值观测窗口，截取CTA图像中冠状动脉区域，抑制肺部静脉血管等非心脏组织，提升目标和背景的对比度；

B3.图像数据增广；

B4.构建深度学习网络，采用两个基于三层中继监督机制但训练标签不同的深度神经网络Net A和Net B对冠状动脉CTA数据进行训练，得到冠状动脉识别模型A以及B；

B5.利用B4.得到的冠状动脉识别模型进行冠状动脉分割。

2.根据权利要求1所述的一种基于深度学习的冠状动脉分割方法,其特征在于：所述步骤B3图像数据增广的方法包括水平翻转、垂直翻转、随机缩放、随机弹性变换、随机伽马校正中的一种或多种。

3.根据权利要求1所述的一种基于深度学习的冠状动脉分割方法,其特征在于：所述Net A以及所述Net B的网络结构都包括八层，其中第一层为输入层，第二层至第层七为隐藏层，第八层为输出层，各层顺次连接，各层结构如下：

第一层：输入层：输入训练集的三维CTA图像矩阵和每个CTA矩阵的真实标签；

第二层：隐藏层：包含两个卷积层，每个卷积后都接一个归一化层和激活函数层，最后采用一个池化层进行下采样；

第三层：隐藏层：包含两个卷积层，每个卷积后都接一个归一化层和激活函数层，最后采用一个池化层进行下采样；

第四层：隐藏层：包含两个卷积层，每个卷积后都接一个归一化层和激活函数层，最后采用一个池化层进行下采样；

第五层：隐藏层：包含两个卷积层，每个卷积后都接一个归一化层、一个激活函数层，最后接一个UpSampling层，所述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处理，然后再次进行卷积后再进行归一化以及激活处理，最后进行上采样操作；

第六层：隐藏/中继输出层：包含一个跳跃拼接层，两个卷积层，每个卷积后都接一个归一化层、一个激活函数层，最后接一个UpSampling层，同时输出一个损失函数Loss1，所述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处理，然后再次进行卷积后再进行归一化以及激活处理，最后进行上采样操作；

第七层：隐藏/中继输出层：包含一个跳跃拼接层，两个卷积层，每个卷积后都接一个归一化层、一个激活函数层，最后接一个UpSampling层，同时输出一个损失函数Loss2，所述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处理，然后再次进行卷积后再进行归一化以及激活处理，最后进行上采样操作；

第八层：隐藏/中继输出层：包含一个跳跃拼接层，两个卷积层，每个卷积后都接一个归一化层、一个激活函数层，最后接一个UpSampling层，同时输出一个损失函数Loss3，所述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处理，然后再次进行卷积后再进行归一化以及激活处理，最后进行上采样操作；

第九层：输出层:网络最终的Loss由Loss1、Loss2、Loss3经计算式

加权得到。