[发明专利]一种基于深度学习的冠状动脉分割方法

说明书

本发明提供一种基于深度学习的冠状动脉分割方法,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。解决了现有冠状动脉分割方法存在极容易出现过分割现象的技术问题。

技术领域

本发明属于医学图像处理领域，具体涉及一种非诊断目的的基于CTA图像的冠状动脉分割方法，是一种基于深度学习的冠状动脉分割方法。

背景技术

冠状动脉是环绕在心脏外周给心肌提供血液的血管。冠状动脉疾病如冠状动脉粥样硬化会导致部分心肌无法通过血液得到足够的氧气和营养而逐渐失去功能，进而引发心脏搏动功能障碍，所以冠状动脉的健康状况对心脏的正常运行起到至关重要的作用。

目前临床上主要采用冠状动脉CT血管造影(CTA)技术对冠心病患者进行诊断。基于CTA图像的冠状动脉血管精确分割和提取可以辅助医生诊断心血管疾病并制定合适的手术方案。此外，冠脉的分割也是血管三维重建的重要基础，可以让医生更加直观地识别病灶所在位置。

基于传统图像处理方法的冠脉分割技术一般利用冠脉血管的管状特性，设计相应的血管滤波函数，抑制背景组织，增强血管特征，达到提升对比度的效果。但是在CTA图像中，冠脉血管和其他心脏组织灰度值非常相近，所以在随后的冠脉分割过程中极容易出现过分割现象，大大降低算法的鲁棒性和分割准确率。

发明内容

本发明要解决的技术问题是：现有冠状动脉分割方法存在极容易出现过分割现象的技术问题。

为解决上述技术问题，本发明提供一种基于深度学习的冠状动脉分割方法,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；选取最佳的CT 值观测窗口方式为人工选择或根据医学标准由计算机自动选择。

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。

作为优选，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。

作为优选，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；在两个卷积层后接一个池化层，用于压缩数据和参数的量，减小过拟合。简而言之，如果输入是图像的话，那么池化层的最主要作用就是去除图像中冗余的特征，只保留最重要的特征。

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；