[发明专利]基于冠脉造影图像判断狭窄血管尺寸的深度学习方法

权利要求书

1.一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，其特征在于包括以下步骤：

(1)获取实验所需要的冠脉造影图像数据，该冠脉造影图像数据为冠脉造影图像并含有相应的标签，将冠脉造影图像数据分为训练集、验证集和测试集；

(2)使用训练集和验证集进行训练，利用深度学习的方法训练一个多任务分类回归预测模型，所述的多任务分类回归预测模型具有两条支路，包括分类支路和回归支路，在训练的过程中，分类支路由一个交叉熵损失L_ce进行监督训练；回归支路由一个主损失函数平均绝对误差L_P和一个跨空间距离保持正则化CSDPR的损失函数L_C相结合进行监督训练；

(3)训练完成后，查看验证集上的多任务分类回归预测模型的性能，若训练的模型不能准确地判断狭窄血管的情况，则调整模型超参数，继续训练，直到回归预测模型可以准确地判断狭窄血管的情况；

(4)得到最后的训练好的模型，再用测试集对模型进行测试，最终确定需要的模型。

2.根据权利要求1所述的一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，其特征在于：步骤(2)中，两个支路均具有狭窄定位的能力，其中分类支路负责判断狭窄部位的狭窄程度，回归支路负责输出预测的狭窄部位血管的长度和附近正常血管的直径。

3.根据权利要求1所述的一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，其特征在于：所述的分类支路采用的是Inception V3网络结构，该Inception V3网络结构首先由五个卷积层进行初步特征提取，后面跟着五个模块，这五个模块的的数量分别为3，1，4，1，2，它们对特征进行深度提取，然后将提取的深度特征映射传递给后面的全局池化层和Dropout得到特征，并将该特征共享给回归支路，最后利用全连接层和Softmax预测狭窄程度。

4.根据权利要求1所述的一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，其特征在于：所述的回归支路为DE-Net网络支路，该DE-Net网络支路首先由一个卷积层、BN和ReLU进行初步特征提取，然后将浅层特征传递到后续的DE-Net主体；该DE-Net主体包括四个相同的模块，每个模块包括一个卷积层、DEB模块和一个池化层，其中每个DEB模块包含三个卷积层，该DE-Net主体提取图像的深度特征，然后将提取的深度特征映射传递给主体部分后面的卷积层、BN层、全局池化层和特征重塑层的复合块，得到进一步提取的特征，并将该特征与分类支路共享的特征进行加权得到新的特征，最后利用线性回归层，也即全连接层从最后的特征中预测相应的指标。

5.根据权利要求1所述的一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，其特征在于：回归支路所用的主损失函数平均绝对误差L_P如下所示：

其中，上式中是预测的结果，y_i是ground truth值，M是训练的batch size，N是训练的指标数，N＝3，λ_Θ为正则化参数；

CSDPR的损失函数L_C的表达式如下所示：

上式中的其中，d(y_i,y_j)用到的是欧几里得距离公式，公式如下：

该回归支路的总的损失函数L如下：

L＝L_P+λ_CL_C (4)

式中的λ_C为正则化参数。

6.根据权利要求1所述的一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，其特征在于：分类支路所用的交叉熵损失函数L_ce如下所示：

式中的y_i和分别为ground truth值和预测的结果，M为训练的batch size。