一種基于深度學習的3D冠脈CTA斑塊識別方法技術

一種基于深度學習的3D冠脈CTA斑塊識別方法，通過殘差連接與3D網絡相結合構建冠脈分割網絡、斑塊識別網絡，可以確保網絡分割冠脈血管和斑塊區域的完整。先分割血管區域實現冠脈斑塊粗略定位，可以有效排除類似鈣化區域的干擾，降低假陽率?；诠诿}分割網絡構建斑塊識別網絡，利用空間注意力、通道注意力顯著增強斑塊區域的淺層特征和高層特征，可以適應結構多樣的斑塊，能夠豐富邊緣信息和語義信息，進一步定位斑塊所在區域，完成斑塊的準確識別。完成斑塊的準確識別。完成斑塊的準確識別。

【技術實現步驟摘要】
一種基于深度學習的3D冠脈CTA斑塊識別方法


[0001]本專利技術涉及圖像識別
，具體涉及一種基于深度學習的3D冠脈CTA斑塊識別方法。

技術介紹

[0002]冠脈CT血管造影，簡稱冠脈CTA。它能清晰顯示動脈斑塊的位置、大小及形態，因為其無創、費用低以及操作簡便而被廣泛使用。但每做一次冠脈CTA檢查，其產生的圖像往往成百上千張，因此對血管斑塊的準確識別就具有重要意義。通過冠脈CTA圖像識別斑塊可分為機器和深度學習方法。傳統的機器學習方法識別斑塊往往依賴于手工特征，如斑塊大小、形狀等。這種方法無法適應斑塊大小不一、結構多樣的特性，標注過程費時費力,并不能對斑塊進行準確的描述。深度學習方法將冠脈CTA圖像輸入到神經網絡中，通過學習相關斑塊區域的特征，能夠對斑塊做出自動化判斷?；?D的斑塊識別方法僅學習切片內的特征，通過堆疊每張切片識別的斑塊區域做為最終識別結果。這種方法沒有考慮斑塊在切片間的上下文關系，會造成斑塊區域缺失?；?.5D的斑塊識別方法利用三個解剖平面視圖使用相同結構的2D網絡分別識別斑塊，通過融合三個網絡的預測做為最終結果。這種方法雖然聯系了三種視圖，但是整張切片直接輸入網絡中忽略了諸多干擾因素的解剖結構，它們的CT值與斑塊十分接近，識別錯誤率很高，因此，如何設計一種基于深度學習的方法有效地識別冠脈斑塊仍是一個挑戰性的問題。

技術實現思路

[0003]本專利技術為了克服以上技術的不足，提供了一種可以有效地定位斑塊的區域位置，去除類似鈣化的人體組織，同時也能夠適應結構多樣的斑塊，完成識別任務的基于深度學習的3D冠脈CTA斑塊識別方法。
[0004]本專利技術克服其技術問題所采用的技術方案是：
[0005]一種基于深度學習的3D冠脈CTA斑塊識別方法，包括如下步驟：
[0006]a)利用殘差連接構建冠脈分割網絡，分割血管粗略定位冠脈斑塊所在的區域，得到只含有血管的冠脈CTA圖像Coronary_C；
[0007]b)訓練冠脈分割網絡；
[0008]c)構建斑塊識別網絡，將只含有血管的冠脈CTA圖像Coronary_C輸入到斑塊識別網絡，得到斑塊識別網絡預測圖Plaque_P；
[0009]d)訓練斑塊識別網絡。
[0010]進一步的，步驟a)包括如下步驟：
[0011]a
?
1)預處理冠脈CTA圖像，從水平面視圖去除不包含冠脈的冗余切片，得到預處理后的圖像P2；
[0012]a
?
2)建立冠脈分割網絡，該網絡依次由收縮路徑、擴展路徑構成；
[0013]a
?
3)收縮路徑由第一殘差模塊、第二殘差模塊、第三殘差模塊、第四殘差模塊構
成，第一殘差模塊由第一基礎卷積塊、第二基礎卷積塊、第三基礎卷積塊構成，第一基礎卷積塊、第二基礎卷積塊、第三基礎卷積塊均依次由三維卷積Conv3d層、批量歸一化BN層、激活函數Relu層構成，第二殘差模塊、第三殘差模塊、第四殘差模塊均由第一基礎卷積塊、第二基礎卷積塊構成，第一基礎卷積塊、第二基礎卷積塊均依次由三維卷積Conv3d層、批量歸一化BN層、激活函數Relu層構成；
[0014]a
?
4)將預處理后的圖像P2依次輸入到收縮路徑第一殘差模塊中的第一基礎卷積塊、第二基礎卷積塊、第三基礎卷積塊中，分別得到特征圖res
1_
f1、特征圖res
1_
f2、特征圖res
1_
f3，將特征圖res
1_
f1、特征圖res
1_
f2、特征圖res
1_
f3進行累加求和得到特征圖Coronary_EF1；
[0015]a
?
5)將特征圖Coronary_EF1輸入到最大池化層中進行下采樣，得到壓縮特征圖MAX_EF1，將壓縮特征圖MAX_EF1依次輸入到收縮路徑第二殘差模塊中的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res
2_
f1、特征圖res
2_
f2，將特征圖res
2_
f1、特征圖res
2_
f2、壓縮特征圖MAX_EF1進行累加求和得到特征圖Coronary_EF2；
[0016]a
?
6)將特征圖Coronary_EF2輸入到最大池化層中進行下采樣，得到壓縮特征圖MAX_EF2，將壓縮特征圖MAX_EF2依次輸入到收縮路徑第三殘差模塊中的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res
3_
f1、特征圖res
3_
f2，將特征圖res
3_
f1、特征圖res
3_
f2、壓縮特征圖MAX_EF2進行累加求和得到特征圖Coronary_EF3；
[0017]a
?
7)將特征圖Coronary_EF3輸入到最大池化層中進行下采樣，得到壓縮特征圖MAX_EF3，將壓縮特征圖MAX_EF3依次輸入到收縮路徑第四殘差模塊中的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res
4_
f1、特征圖res
4_
f2，將特征圖res
4_
f1、特征圖res
4_
f2、壓縮特征圖MAX_EF3進行累加求和得到特征圖Coronary_EF4；
[0018]a
?
8)擴展路徑由第一殘差模塊、第二殘差模塊、第三殘差模塊構成，第一殘差模塊、第二殘差模塊、第三殘差模塊均由第一基礎卷積塊、第二基礎卷積塊構成，第一基礎卷積塊、第二基礎卷積塊均依次由三維卷積Conv3d層、批量歸一化BN層、激活函數Relu層構成，將特征圖Coronary_EF4通過轉置卷積插值方法進行恢復特征圖操作，將其大小恢復至與特征圖Coronary_EF3相一致，將特征圖Coronary_EF4與特征圖Coronary_EF3進行特征連接操作，得到融合特征圖DF_CON_EF3，將融合特征圖DF_CON_EF3依次輸入到擴展路徑的第三殘差模塊的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res
3_
f3、特征圖res
3_
f4，將特征圖res
3_
f3、特征圖res
3_
f4、融合特征圖DF_CON_EF3累加求和得到特征圖Coronary_DF3；
[0019]a
?
9)將特征圖Coronary_DF3通過轉置卷積插值方法進行恢復特征圖操作，將其大小恢復至與特征圖Coronary_EF2相一致，將特征圖Coronary_DF3與特征圖Coronary_EF2進行特征連接操作，得到融合特征圖DF_CON_EF2，將融合特征圖DF_CON_EF2依次輸入到擴展路徑的第二殘差模塊的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res
2_
f3、特征圖本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于深度學習的3D冠脈CTA斑塊識別方法，其特征在于，包括如下步驟：a)利用殘差連接構建冠脈分割網絡，分割血管粗略定位冠脈斑塊所在的區域，得到只含有血管的冠脈CTA圖像Coronary_C；b)訓練冠脈分割網絡；c)構建斑塊識別網絡，將只含有血管的冠脈CTA圖像Coronary_C輸入到斑塊識別網絡，得到斑塊識別網絡預測圖Plaque_P；d)訓練斑塊識別網絡。2.根據權利要求1所述的基于深度學習的3D冠脈CTA斑塊識別方法，其特征在于，步驟a)包括如下步驟：a
?
1)預處理冠脈CTA圖像，從水平面視圖去除不包含冠脈的冗余切片，得到預處理后的圖像P2；a
?
2)建立冠脈分割網絡，該網絡依次由收縮路徑、擴展路徑構成；a
?
3)收縮路徑由第一殘差模塊、第二殘差模塊、第三殘差模塊、第四殘差模塊構成，第一殘差模塊由第一基礎卷積塊、第二基礎卷積塊、第三基礎卷積塊構成，第一基礎卷積塊、第二基礎卷積塊、第三基礎卷積塊均依次由三維卷積Conv3d層、批量歸一化BN層、激活函數Relu層構成，第二殘差模塊、第三殘差模塊、第四殘差模塊均由第一基礎卷積塊、第二基礎卷積塊構成，第一基礎卷積塊、第二基礎卷積塊均依次由三維卷積Conv3d層、批量歸一化BN層、激活函數Relu層構成；a
?
4)將預處理后的圖像P2依次輸入到收縮路徑第一殘差模塊中的第一基礎卷積塊、第二基礎卷積塊、第三基礎卷積塊中，分別得到特征圖res1_f1、特征圖res1_f2、特征圖res1_f3，將特征圖res1_f1、特征圖res1_f2、特征圖res1_f3進行累加求和得到特征圖Coronary_EF1；a
?
5)將特征圖Coronary_EF1輸入到最大池化層中進行下采樣，得到壓縮特征圖MAX_EF1，將壓縮特征圖MAX_EF1依次輸入到收縮路徑第二殘差模塊中的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res2_f1、特征圖res2_f2，將特征圖res2_f1、特征圖res2_f2、壓縮特征圖MAX_EF1進行累加求和得到特征圖Coronary_EF2；a
?
6)將特征圖Coronary_EF2輸入到最大池化層中進行下采樣，得到壓縮特征圖MAX_EF2，將壓縮特征圖MAX_EF2依次輸入到收縮路徑第三殘差模塊中的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res3_f1、特征圖res3_f2，將特征圖res3_f1、特征圖res3_f2、壓縮特征圖MAX_EF2進行累加求和得到特征圖Coronary_EF3；a
?
7)將特征圖Coronary_EF3輸入到最大池化層中進行下采樣，得到壓縮特征圖MAX_EF3，將壓縮特征圖MAX_EF3依次輸入到收縮路徑第四殘差模塊中的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res4_f1、特征圖res4_f2，將特征圖res4_f1、特征圖res4_f2、壓縮特征圖MAX_EF3進行累加求和得到特征圖Coronary_EF4；a
?
8)擴展路徑由第一殘差模塊、第二殘差模塊、第三殘差模塊構成，第一殘差模塊、第二殘差模塊、第三殘差模塊均由第一基礎卷積塊、第二基礎卷積塊構成，第一基礎卷積塊、第二基礎卷積塊均依次由三維卷積Conv3d層、批量歸一化BN層、激活函數Relu層構成，將特征圖Coronary_EF4通過轉置卷積插值方法進行恢復特征圖操作，將其大小恢復至與特征圖Coronary_EF3相一致，將特征圖Coronary_EF4與特征圖Coronary_EF3進行特征連接操作，得
到融合特征圖DF_CON_EF3，將融合特征圖DF_CON_EF3依次輸入到擴展路徑的第三殘差模塊的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res3_f3、特征圖res3_f4，將特征圖res3_f3、特征圖res3_f4、融合特征圖DF_CON_EF3累加求和得到特征圖Coronary_DF3；a
?
9)將特征圖Coronary_DF3通過轉置卷積插值方法進行恢復特征圖操作，將其大小恢復至與特征圖Coronary_EF2相一致，將特征圖Coronary_DF3與特征圖Coronary_EF2進行特征連接操作，得到融合特征圖DF_CON_EF2，將融合特征圖DF_CON_EF2依次輸入到擴展路徑的第二殘差模塊的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res2_f3、特征圖res2_f4，將特征圖res2_f3、特征圖res2_f4、融合特征圖DF_CON_EF2累加求和得到特征圖Coronary_DF2；a
?
10)將特征圖Coronary_DF2通過轉置卷積插值方法進行恢復特征圖操作，將其大小恢復至與特征圖Coronary_EF1相一致，將特征圖Coronary_DF2與特征圖Coronary_EF1進行特征連接操作，得到融合特征圖DF_CON_EF1，將融合特征圖DF_CON_EF1依次輸入到擴展路徑的第一殘差模塊的第一基礎卷積塊、第二基礎卷積塊中，分別得到特征圖res1_f4、特征圖res1_f5，將特征圖res1_f4、特征圖res1_f5、融合特征圖DF_CON_EF1累加求和得到特征圖Coronary_DF1；a
?
11)將特征圖Coronary_DF1輸入到依次由三維卷積Conv3d層、批量歸一化BN層、激活函數Relu層構成的基礎卷積塊中降低通道維度為2，得到特征圖Coronary_G，其中三維卷積Conv3d層大小為1
×1×
1，通過argmax函數計算特征圖Coronary_G第一維度最大值索引向量，將第一維度最大值索引轉換為one
?
hot向量，得到預測冠脈分割圖Coronary_L，該預測冠脈分割圖Coronary_L的像素值取值范圍為{0.1}，其中0代表預測非冠脈區域，1代表預測冠脈區域，使用預測冠脈分割圖Coronary_L分割預處理后的圖像P2，得到只含有血管的冠脈CTA圖像Coronary_C。3.根據權利要求2所述的基于深度學習的3D冠脈CTA斑塊識別方法，其特征在于，步驟a
?
1)包括如下步驟：a
?
1.1)以水平面為基準，將大小為[512,512,Z]的冠脈CTA圖像統一去除前20張和后20張冗余切片，切片后得到圖像大小為[512,512,Z
?
40]的圖像P1，其中Z為冠脈CTA圖像實際采集的水平面切片大??；a
?
1.2)使用雙線性插值方法bilinear將圖像P1重采樣到[0.45,0.45，0.45]大小的體素空間，將圖像CT值在[0,1000]區間內的區域歸一化到[0,1]區間內，得到圖像P2。4.根據權利要求3所述的基于深度學習的3D冠脈CTA斑塊識別方法，其特征在于：步驟a
?
1.2)中通過公式計算得到歸一化后的圖像P2，式中a為[0,1000]、[0,1]區間CT值強度原始范圍，b為[0,1]區間轉換CT值強度目標范圍，max為[0,1000]、[0,1]...

【專利技術屬性】
技術研發人員：李金寶，王字成，舒明雷，
申請(專利權)人：齊魯工業大學，
類型：發明
國別省市：