基于深度学习的冠状动脉病变自动检测方法、系统和设备技术方案

本发明专利技术提供了一种基于深度学习的冠状动脉病变自动检测方法、系统和设备，通过训练步骤和测试步骤应用基于深度学习的物体检测技术到冠状动脉的病变检测之中。应用基于机器学习的文本处理技术到冠状动脉的病变检测之中。将文本处理与图像处理技术融合，融合了多个模态的信息用于冠状动脉的病变检测。完全将冠状动脉病变检测的流程自动化，在检测过程中无需人工参与。使用本发明专利技术的技术方案解决了医疗图像中的病变无法实时检测，而且像素检测的准确度低的技术问题，可以实时地检测出心脏冠状动脉中的病变，并给医生以参考和帮助。相比其他系统，本发明专利技术显著提高了病变检测率，缩短了诊疗流程。

Automatic detection method, system and equipment for coronary artery lesions based on deep learning

The present invention provides an automatic detection method, system and equipment for coronary artery disease based on depth learning. The object detection technique based on depth learning is applied to the detection of coronary artery disease through training steps and test steps. The text processing technology based on machine learning is applied to the detection of coronary artery lesions. The text processing and image processing technology are combined to integrate multiple modal information for coronary artery lesion detection. The process of coronary artery disease detection is automated and no manual participation is required in the detection process. The technical scheme of the present invention solves the problem that the pathological changes in the medical image can not be detected in real time, and the technical problem of low accuracy of pixel detection can detect the pathological changes in the coronary artery in real time, and give the doctor reference and help. Compared with other systems, the invention significantly improves the detection rate of lesions and shortens the diagnosis and treatment process.

【技术实现步骤摘要】
基于深度学习的冠状动脉病变自动检测方法、系统和设备
本专利技术涉及数字图像的目标检测
，尤其涉及一种基于深度学习的冠状动脉病变自动检测方法、系统和设备。
技术介绍
冠状动脉疾病是目前世界上死亡率最高的疾病之一。数字剪影血管造影(DSA)和(CT)是目前可以诊断心脏动脉疾病程度的主要方法。一般医生将导管送入心脏的冠状动脉窦，之后通过导管释放造影剂，使得冠状动脉显影，在这之后，医生根据不同的体位观察并最终确认病变所在的位置。由于造影剂的流动延迟和其他的一些原因，有时候很难准确判断一个血管的病变。对医学图像中感兴趣的区域或者病变做检测是对心脏病诊断的关键步骤，但同时会消耗临床医生大量的时间。近年来，计算机辅助诊疗系统在医学图像检测中有着突出的表现。如专利号为CN201310476548.9，名称为：目标检测方法和装置的专利技术专利公开了基于方向梯度直方图特征，采用Adaboost算法对标定正负的图像样本进行训练，得到目标检测模型；接收待检测图像；基于BoxFlter算法提取所述待检测图像的有向梯度直方图特征，并通过所述目标检测模型进行目标检测的技术方案，能够提高HOG(HistogramofOrientedGradient)特征的提取速度，从而提高视频监控中的目标检测速度。该技术方案虽然使用了数字图像的目标检测技术，但是使用的方法中使用了手工提取的特征和较为浅层的级联分类器针对自然图像进行目标检测，准确率较低速度较慢。专利技术人在研究的过程中发现，在医疗领域，大多数已经发表的基于目标检测的医疗系统仍然使用手工提取的特征或者是使用深度网络提取的特征来执行像素(或超像素)的分类，之后应用某种形式的后处理来获得对象的候选框。使用手工特征，耗时耗力，对于不同病变要使用不同的特征。而使用深度网络基于逐个像素执行的分类任务，这种方法的计算量相当大，导致了对于医疗图像中的病变无法实时检测，而且像素检测的准确度低，因为它忽略了图像中的空间信息。
技术实现思路
为了解决上述技术问题，本专利技术的主要目的在于提供了一种基于深度学习的冠状动脉病变自动检测方法、系统和设备，该技术方案无需人工参与，可以自动检测心脏冠状动脉上微小病变，检测速度快。检测任务包括了在整张图片上对于小病变的定位与判别。目前为止，对于计算机辅助检测系统已经有很长时间的研究，提高了检测的准确率并减少了医生读图的时间。为了达到上述目的，本专利技术一方面提供了一种基于深度学习的冠状动脉病变自动检测方法，该方法包括以下步骤：步骤一、训练步骤，包括：S101、文本信息处理模块从医疗综合数据库中存储的冠状动脉病变病历中提取病人的基本特征，基于提取的基本特征使用C4.5决策树算法训练一个分类决策树，分类决策树将病变种类信息输出至Dicom视频处理模块中；S102、Dicom视频处理模块通过接收到的病变种类信息，使用SSN从医疗综合数据库中存储的与所述病变种类信息对应的心脏造影Dicom视频中筛选出包含病变的关键帧，并将关键帧输出到神经网络控制器中；S103、神经网络控制器基于caffe深度学习框架使用关键帧数据逐层训练，若网络训练次数小于设定阈值，从Dicom视频处理模块中继续读取关键帧数据逐层训练，直至网络训练次数达到设定阈值，停止训练，将神经网络中各个层的参数组合成模型存储到模型存储模块中；步骤二、测试步骤：S201、神经网络控制器接收特定病人的Dicom视频，基于特定病人的Dicom视频从模型存储模块中提取对应的模型，将特定病人的Dicom视频数据输入至训练好的模型中，输出最终的病变位置和病变种类。进一步的，步骤S101中，所述基本特征指的是包含敏感特征信息和/或缺失特征信息的病例特征信息。进一步的，步骤S102中，具体包括：接收从医疗综合数据库中存储的与所述病变种类信息对应的整段心脏造影Dicom视频；基于病变种类信息，使用SSN协同分析整段心脏造影Dicom视频中出现的关键动作位置点；基于关键动作位置点，对整段Dicom视频分段，并迭代此步骤，直到视频分段满足设定值；选取视频分段中的任意一帧作为关键帧，将关键帧输入到神经网络控制器中。进一步的，Dicom视频包含若干帧的冠状血管造影，冠状血管造影中标记有病变部位，包括但不限于全部梗阻、狭窄、三叉神经、分叉、主动脉病变，严重迂曲、重度钙化、血栓中的一种或多种。进一步的，步骤S103中，具体包括：神经网络控制器将关键帧数据不断输入至神经网络训练模块中，神经网络训练模块将关键帧数据从下至上逐层通过神经网络的各个层，每一层的卷积核对输入做处理，产生的输出作为下一层的输入，直到最后一层，计算出最后预测的病变位置，和真实的病变位置作比较计算出偏差值，将偏差值输出至反馈模块中；反馈模块通过BP算法反向传播偏差值，从上至下逐层更新每一层卷积核的参数；若网络训练次数小于设定阈值，从Dicom视频处理模块中继续读取关键帧数据逐层训练，直至网络训练次数达到设定阈值，停止训练，将每一层卷积核的参数合成模型存储到模型存储模块中。进一步的，步骤S103之后，还包括步骤S104，具体包括：神经网络控制器从模型存储模块中读取预训练好的模型，判断该模型的网络迭代次数是否小于阈值，若是，则重复步骤S103，当特征优化速度变慢时，降低优化幅度继续重复步骤S103；若否，则进入测试步骤。进一步的，所述神经网络控制器中多层神经网络的逐层顺序包括：对输入的特征图实现卷积操作的卷积层；最大池化层；多个具有CReLU(ConcatenatedRectifiedLinearUnits，基于连接特征图的修正线性单元激活函数)激活功能的卷积层组成的CReLU模块；多个Inception多尺度植入层组成的Inception模块；所有卷积层都与BN(batchnormalization，批量正则化层)层，比例位移转化(scalingandshifting)层，以及CReLU模块相结合；除第一个卷积层以外的所有层都应用了残差学习；将上述特征连接到一个Faster-rcnn(FasterRegionwithConvolutionalNeuralNetworkfeatures，基于区域选择的卷积神经网络的快速目标检测网络)检测网络中，生成病变位置的候选区域，最后预测每个ROI(regionofinterest，感兴趣区域)的边界框和对应病变的分类结果。进一步的，所述CReLU模块为使用CReLU结构减少网络的计算提高运算速度；具体计算过程如下：过滤器产生的结果为其中，x为输入值，为使用一半卷积核进行卷积的结果，为另一半的卷积核卷积产生的结果；将过滤器产生的结果经过ReLU函数：通过CReLU模块得到的输出结果为：其中，Conv为卷积层，Negation为乘以-1的操作，Concat为拼接操作，Scale/Shift将特征图进一步变化，ReLU为最后的激活函数。本专利技术另一方面还提供了一种基于深度学习的冠状动脉病变自动检测系统，包括：训练单元和测试单元；训练单元，包括：文本信息处理模块，用于从医疗综合数据库中存储的冠状动脉病变病历中提取病人的基本特征，基于提取的基本特征使用C4.5决策树算法训练一个分类决策树，分类决策树将病变种类信息输出至Dicom视频处理模块中；Dicom视频处理本文档来自技高网...

【技术保护点】
1.一种基于深度学习的冠状动脉病变自动检测方法，其特征在于，该方法包括以下步骤：步骤一、训练步骤，包括：S101、文本信息处理模块从医疗综合数据库中存储的冠状动脉病变病历中提取病人的基本特征，基于提取的基本特征使用C4.5决策树算法训练一个分类决策树，分类决策树将病变种类信息输出至Dicom视频处理模块中；S102、Dicom视频处理模块通过接收到的病变种类信息，使用SSN从医疗综合数据库中存储的与所述病变种类信息对应的心脏造影Dicom视频中筛选出包含病变的关键帧，并将关键帧输出到神经网络控制器中；S103、神经网络控制器基于caffe深度学习框架使用关键帧数据逐层训练，若网络训练次数小于设定阈值，从Dicom视频处理模块中继续读取关键帧数据逐层训练，直至网络训练次数达到设定阈值，停止训练，将神经网络中各个层的参数组合成模型存储到模型存储模块中；步骤二、测试步骤：S201、神经网络控制器接收特定病人的Dicom视频，基于特定病人的Dicom视频从模型存储模块中提取对应的模型，将特定病人的Dicom视频数据输入至训练好的模型中，输出最终的病变位置和病变种类。

【技术特征摘要】
1.一种基于深度学习的冠状动脉病变自动检测方法，其特征在于，该方法包括以下步骤：步骤一、训练步骤，包括：S101、文本信息处理模块从医疗综合数据库中存储的冠状动脉病变病历中提取病人的基本特征，基于提取的基本特征使用C4.5决策树算法训练一个分类决策树，分类决策树将病变种类信息输出至Dicom视频处理模块中；S102、Dicom视频处理模块通过接收到的病变种类信息，使用SSN从医疗综合数据库中存储的与所述病变种类信息对应的心脏造影Dicom视频中筛选出包含病变的关键帧，并将关键帧输出到神经网络控制器中；S103、神经网络控制器基于caffe深度学习框架使用关键帧数据逐层训练，若网络训练次数小于设定阈值，从Dicom视频处理模块中继续读取关键帧数据逐层训练，直至网络训练次数达到设定阈值，停止训练，将神经网络中各个层的参数组合成模型存储到模型存储模块中；步骤二、测试步骤：S201、神经网络控制器接收特定病人的Dicom视频，基于特定病人的Dicom视频从模型存储模块中提取对应的模型，将特定病人的Dicom视频数据输入至训练好的模型中，输出最终的病变位置和病变种类。2.如权利要求1所述的方法，其特征在于，步骤S101中，所述基本特征指的是包含敏感特征信息和/或缺失特征信息的病例特征信息。3.如权利要求1-2之一所述的方法，其特征在于，步骤S102中，具体包括：接收从医疗综合数据库中存储的与所述病变种类信息对应的整段心脏造影Dicom视频；基于病变种类信息，使用SSN协同分析整段心脏造影Dicom视频中出现的关键动作位置点；基于关键动作位置点，对整段Dicom视频分段，并迭代此步骤，直到视频分段满足设定值；选取视频分段中的任意一帧作为关键帧，将关键帧输入到神经网络控制器中。4.如权利要求1-3之一所述的方法，其特征在于，Dicom视频包含若干帧的冠状血管造影，冠状血管造影中标记有病变部位，包括但不限于全部梗阻、狭窄、三叉神经、分叉、主动脉病变，严重迂曲、重度钙化、血栓中的一种或多种。5.如权利要求1所述的方法，其特征在于，步骤S103中，具体包括：神经网络控制器将关键帧数据不断输入至神经网络训练模块中，神经网络训练模块将关键帧数据从下至上逐层通过神经网络的各个层，每一层的卷积核对输入做处理，产生的输出作为下一层的输入，直到最后一层，计算出最后预测的病变位置，和真实的病变位置作比较计算出偏差值，将偏差值输出至反馈模块中；反馈模块通过BP算法反向传播偏差值，从上至下逐层更新每一层卷积核的参数；若网络训练次数小于设定阈值，从Dicom视频处理模块中继续读取关键帧数据逐层训练，直至网络训练次数达到设定阈值，停止训练，将每一层卷积核的参数合成模型存储到模型存储模块中。6.如权利要求1所述的方法，其特征在于，步骤S103之后，还包括步骤S104，具体包括：神经网络控制器从模型存储模块中读取预训练好的模型，判断该模型的网络迭代次数是否小于阈值，若是，...

【专利技术属性】
技术研发人员：徐波，杜天明，周文辉，
申请(专利权)人：北京红云视界技术有限公司，
类型：发明
国别省市：北京,11