[发明专利]一种面向CT影像的冠状动脉智能辅助分析方法及系统

权利要求书

1.一种面向CT影像的冠状动脉智能辅助分析方法，其特征在于，包括以下步骤：

步骤1：通过文件选择器选择包含CTA体数据的MHD文件或者DICOM序列，获取CTA体数据的体素、空间间距、三维图像大小信息，并进行可视化展示；

步骤2：根据步骤1获取的CTA体数据的体素、空间间距、三维图像大小信息，使用基于三维空洞卷积神经网络的冠脉中心线提取方法完成冠脉中心线的全自动提取，生成冠脉中心线树并进行可视化展示；

步骤3：从步骤2提取的冠脉中心线对应的冠脉血管中选择要分析的冠脉血管，在冠脉中心线三维展示区域将选择的冠脉血管高亮展示，同时对选择的冠脉血管进行多角度拉直曲面重建，并进行可视化展示。

2.根据权利要求1所述的一种面向CT影像的冠状动脉智能辅助分析方法，其特征在于，所述步骤1中选择为DICOM序列时，则将DICOM序列的CTA体数据灰度值标准化为MHD格式灰度值；然后开启文件处理线程，获取医学影像数据的体素、空间间距、三维图像大小信息。

3.根据权利要求2所述的一种面向CT影像的冠状动脉智能辅助分析方法，其特征在于，所述步骤2的具体步骤如下：

步骤2-1：数据预处理；

步骤2-1-1：手工标注冠脉中心线和冠状动脉入口；在手工标注的冠脉中心线上随机选择一个点x，并以点x为中心体素在CTA体数据上切割出一个各向同性三维小体块，三维小体块大小为a×a×a；

设点x处冠脉半径为r，沿着手工标注的冠脉中心线在距点x距离为r的地方找到一点记为x_0，点x与x_0之间的位移矢量为Δx；在三维空洞卷积神经网络的追踪器球体上标记多个点，将球心点x与多个点的连线方向中与位移矢量Δx夹角最小的方向指定为参考方向，并在点x潜在运动方向D的参考分布中，将指定的参考方向类别概率设置为0.5；用同样的方法沿着手工标注的冠脉中心线在点x处另外一个方向距离为r的地方找到另一点，得到其参考方向以及类别概率；此时运动方向D的参考分布中有两个参考方向类别的概率被设置为0.5，而其余的方向类别概率设置为0.0；

步骤2-1-2：在手工标注的冠脉中心线上随机选择一个点x，使用在三维正态分布中采样的随机位移d，在任一方向将位置点x平移距离d，将平移后的点记为x′，以点x′作为中心体素在CTA体数据上切割出一个各向同性三维小体块，三维小体块大小为a×a×a；

在手工标注的冠脉中心线上找到距离点x′最近的点x₁，设点x₁处冠脉半径为r，沿着手工标注的冠脉中心线在距点x₁距离为r的地方找到一点记为x_0，点x₁与x_0之间的位移矢量记为Δx；在三维空洞卷积神经网络的追踪器球体上标记多个点，将球心点x₁与多个点的连线方向中与位移矢量Δx夹角最小的方向指定为参考方向，并在点x′潜在运动方向D的参考分布中，将该参考方向类别概率设置为0.5；用同样的方法沿着手工标注的冠脉中心线在距位置点x₁处另外一个方向距离为r的地方找到另一点，得到其参考方向以及类别概率；此时运动方向D的参考分布中有两个方向类别的概率被设置为0.5，而其余的方向类别概率设置为0.0；

步骤2-1-3：对步骤2-1-1和步骤2-1-2生成的各向同性三维小体块进行随机旋转以扩充数据集，每个各向同性三维小体块以随机角度θ∈[0，2π]绕x轴或y轴或z轴进行旋转，生成多个方向的三维小体块；

步骤2-2：构建冠脉中心线提取模型并进行训练；

所述冠脉中心线提取模型包括三个并行的三维空洞卷积神经网络，分别为SeedCNN、OstiaCNN和TrackCNN；三个三维空洞卷积神经网络的网络结构仅输出部分不同，输入均为尺寸大小为a×a×a的三维小体块，SeedCNN的输出部分最后一层执行回归进行预测，预测值为输入的三维小体块的中心体素与冠脉中心线的接近程度；OstiaCNN的输出部分最后一层执行回归进行预测，预测值为输入的三维小体块的中心体素与冠状动脉入口的接近程度；TrackCNN的输出部分包含两个分支，第一个分支使用分类预测出输入的三维小体块的中心体素的方向类别概率分布，第二个分支利用回归预测出输入的三维小体块的中心体素处的冠脉半径；

对SeedCNN进行训练，训练数据为步骤2-1生成的三维小体块和小体块中心体素与手工标注的冠脉中心线的接近程度；

对OstiaCNN进行训练，训练数据为步骤2-1生成的三维小体块和小体块中心体素与手工标注的冠状动脉入口的接近程度；

对TrackCNN进行训练，训练数据为步骤2-1生成的三维小体块和三维小体块的中心体素的参考方向以及类别概率和冠脉半径r；

步骤2-3：采用冠脉中心线提取模型获取入口点和种子点；

步骤2-3-1：对输入的CTA体数据进行预处理，将其中的肺部区域进行切除，并保留心脏部分；

步骤2-3-2：在保留的心脏部分随机设定多个中心点，将每个中心点作为中心体素提取尺寸大小为a×a×a的三维小体块；

步骤2-3-3：将提取出的三维小体块分别输入步骤2-2中训练好的SeedCNN和OstiaCNN中；通过SeedCNN得到输入的三维小体块中心体素与冠脉中心线接近程度的预测值，取该接近程度预测值由近及远的前N个值对应的中心体素作为种子点，构成种子点队列；通过OstiaCNN得到输入的三维小体块中心体素与冠脉入口接近程度的预测值，取该接近程度预测值由近及远的前M个值对应的中心体素作为入口点，构成入口点队列；

步骤2-4：使用TrackCNN结合迭代追踪算法模拟中心线追踪器提取单根冠脉中心线；

步骤2-4-1：从种子点队列中随机选取一个种子点，以该种子点为中心体素提取三维小体块，将提取出的三维小体块输入TrackCNN，得出该中心体素处的方向类别概率分布以及冠脉半径预测值；

步骤2-4-2：从步骤2-4-1得到的方向类别概率分布中找到两个局部极大值作为当前中心体素的前向运动方向和反向运动方向，前向运动方向和反向运动方向之间的夹角要求大于90度；

步骤2-4-3：追踪器先沿着前向运动方向追踪中心线，追踪器以当前中心体素的冠脉半径预测值作为步长，沿着当前中心体素的前向运动方向到达新的位置点；然后以新的位置点为中心体素提取三维小体块，并将新提取出的三维小体块输入TrackCNN模型得出新的中心体素处的方向类别概率分布以及半径预测值；再从方向类别概率分布中找出局部极大值作为新的跟踪方向，新的追踪方向与初始前向运动方向之间的夹角小于60度；重复此过程，直到满足终止条件时结束前向运动方向追踪；追踪器沿着反向运动方向追踪中心线的过程与追踪前向运动方向的过程相同；追踪器的终止条件为方向分类概率分布的归一化熵；

将所有追踪器追踪过程中到达的位置点连接，即为单根冠脉中心线；

步骤2-5：生成冠脉中心线树；

步骤2-5-1：如果步骤2-4生成的单根冠脉中心线与入口点队列中的任一个入口点的距离小于等于设定值，则将该单根冠脉中心线保存；否则，如果步骤2-4生成的单根冠脉中心线与入口点队列中的所有入口点的距离都大于设定值，则将该单根冠脉中心线丢弃；

步骤2-5-2：将种子点队列中与单根冠脉中心线重叠的种子点从种子点队列中移除；

步骤2-6：从种子点队列中重新选取一个种子点，重复执行步骤2-4和步骤2-5，直到遍历种子点队列中的所有种子点，提取出多根冠脉中心线，形成冠脉中心线树。