基于深度学习的测量冠状动脉造影图像血管直径的方法技术

本发明专利技术公开了一种基于深度学习的测量冠状动脉造影图像血管直径的方法，包括：DSA影像处理模块将实时获取的DSA影像数据转成可供后续模块处理的数据流存储到内存中并发送至深度网络分割模块；深度网络分割模块将获取的DSA影像数据中的图像进行分割处理，将血管像素与背景像素区分；中心线提取模块提取区分血管像素图像中的血管中心线；直径计算模块基于分割处理后的图像和血管中心线，计算血管测量直径、参考直径以及狭窄率。本发明专利技术与PVA方法相比结果更为客观，避免了不同医生、不同医院之间由于判读方法不同而存在的差异；本方法测量过程不需人工干预，操作方法简单易行，可供医生在冠脉造影术进行中使用，为医生提供客观的参考冠脉狭窄程度。

【技术实现步骤摘要】
基于深度学习的测量冠状动脉造影图像血管直径的方法
本专利技术涉及的是一种基于深度学习的测量冠状动脉造影图像血管直径的方法，属于计算

技术介绍
冠状动脉造影术是心脏疾病诊断的重要方法，从造影图像中观察分析血管形态、运动并估算血管的直径，可以辅助医生诊断心血管疾病并确定合适的治疗方案，在临床上具有重要意义。目前，临床上医生在冠脉造影术中判断冠脉狭窄程度的标准方法仍是PVA(PhysicianVisualAssessment，医师目测评估)，2017年美国心脏病学会和美国心脏协会稳定型心绞痛患者血运重建的标准是冠状动脉存在严重狭窄，目测管腔直径≥70％或血流储备分数为0.80或更低。在过去的二十多年中，一般在血管造影时就决定是否进行冠状动脉介入治疗，这使得操作者的评估准确性尤为重要。有研究显示，PVA判断的狭窄程度与计算机辅助的QCA(QuantifyingCoronaryAnalysis，定量冠状动脉分析)相比，PVA倾向于高估冠脉狭窄程度，尤其是非急性心梗患者，即择期PCI治疗人群中，高估了约16％，在急性心肌梗死人群中，PVA判断的狭窄程度高估了10.2％，均显著高于QCA结果。研究还发现，PVA高估的程度在不同医院、不同医生之间差异巨大，如对于非急性心肌梗塞患者，PVA高估的狭窄程度在不同医院间从7.6％到21.3％不等，而不同医生之间的差异从6.9％到26.4％。计算机辅助的QCA能较好地分析病变部位、狭窄程度及受累范围，但在操作过程中需要人工参与，对DSA影像进行手动选择合适帧、像素级的校准等，这些因素会给结果带来一定程度影响，且操作较复杂，不适合冠脉造影术中进行。
技术实现思路
针对上述缺陷，本专利技术提供了一种基于深度学习的测量冠状动脉造影图像血管直径的方法，该方法是一种全自动应用于DSA影像的测量方法，通过实时获取造影术进行中的DSA影像，输入到分析处理模块中，经过计算最终给出造影图像对应冠脉血管的测量直径，该方法与PVA方法相比结果更为客观，避免了不同医生、不同医院之间由于判读方法不同而存在的差异；本方法测量过程不需人工干预，操作方法简单易行，可供医生在冠脉造影术进行中使用，为医生提供客观的参考冠脉狭窄程度。为达到上述目的，本专利技术通过以下技术方案来具体实现：本专利技术提供了一种基于深度学习的测量冠状动脉造影图像血管直径的方法，该方法包括：DSA影像处理模块将实时获取的DSA影像数据转成可供后续模块处理的数据流存储到内存中并发送至深度网络分割模块；深度网络分割模块将获取的DSA影像数据中的图像进行分割处理，将血管像素与背景像素区分；中心线提取模块提取区分血管像素图像中的血管中心线；直径计算模块基于分割处理后的图像和血管中心线，计算血管测量直径、参考直径以及狭窄率。所述DSA影像处理模块将实时传入的DSA影像数据进行解码处理，把解码处理后的影像数据写入内存中供深度网络分割模块读取。所述深度网络分割模块将获取的DSA影像数据中的图像进行分割处理，将血管像素与背景像素区分，具体包括：步骤1、从模型数据库中读取已有模型，初始化深度网络，开始一次训练或者测试过程；步骤2、训练过程：读取DSA影像数据中的图像数据及标注数据，经过深度网络计算数据向网络前端传播，根据最后网络输出结果计算参数更新量并且更新网络参数，将更新得到的参数模型存储到模型数据库中供下次使用；步骤3、测试过程：读取DSA影像数据中的图像数据，经过深度网络计算数据向网络前端传播，得到最后网络输出结果即分割后图像。所述中心线提取模块根据深度网络分割模块的处理结果图，计算提取血管的中心线并存储。所述直径计算模块基于分割处理后的图像和血管中心线，计算血管测量直径、参考直径以及狭窄率，包括：直径计算模块根据中心线提取模块的处理结果，计算对应血管管腔处中心线垂线，统计垂线上血管像素数量即得出血管直径。本专利技术提供的一种基于深度学习的测量冠状动脉造影图像血管直径的方法，该方法是一种全自动应用于DSA影像的测量方法，通过实时获取造影术进行中的DSA影像，输入到分析处理模块中，经过计算最终给出造影图像对应冠脉血管的测量直径，该方法与PVA方法相比结果更为客观，避免了不同医生、不同医院之间由于判读方法不同而存在的差异；本方法测量过程不需人工干预，操作方法简单易行，可供医生在冠脉造影术进行中使用，为医生提供客观的参考冠脉狭窄程度，全程无需人工干预，操作方法简单易行；计算机测量结果更为客观，排除目前临床应用的PVA方法中存在的主观观测误差；达到像素级计算结果，相比PVA方法更为准确。附图说明图1所示为本专利技术提供的一种基于深度学习的测量冠状动脉造影图像血管直径的方法的实施例一流程图。图2所示为本专利技术提供的读取DSA影像数据中的图像数据示意图。图3所示为本专利技术提供的分割后图像示意图。图4所示为本专利技术提供的提取血管的中心线示意图。具体实施方式下面对本专利技术的技术方案进行具体阐述，需要指出的是，本专利技术的技术方案不限于实施例所述的实施方式，本领域的技术人员参考和借鉴本专利技术技术方案的内容，在本专利技术的基础上进行的改进和设计，应属于本专利技术的保护范围。实施例一本专利技术实施例一提供了一种基于深度学习的测量冠状动脉造影图像血管直径的方法，该方法无需人工参与，自动计算冠脉血管直径、狭窄病变狭窄率的方法。通过计算机读取冠脉造影术中的DSA(Digitalsubtractionangiography，数字减影心血管造影术)影像，通过图像分割、提取中心线、计算垂线等操作计算影像中血管直径，在此基础上进一步计算出狭窄病变处的狭窄率。一般来讲，医生在进行冠脉造影术时会对造影图像进行PVA(注：PhysicianVisualAssessment，医师目测评估)来判断冠脉狭窄严重程度。大量数据显示，与计算机辅助方法相比，PVA观察者之间和不同病例间结果变异性较大。本专利技术提出的方法与医生在手术中的PVA相比，具有准确度高、不存在主观差异等优点。具体的，如图1所示，该方法包括步骤S110-步骤S140：步骤S110、DSA影像处理模块将实时获取的DSA影像数据转成可供后续模块处理的数据流存储到内存中并发送至深度网络分割模块；步骤S120、深度网络分割模块将获取的DSA影像数据中的图像进行分割处理，将血管像素与背景像素区分；步骤S130、中心线提取模块提取区分血管像素图像中的血管中心线；步骤S140、直径计算模块基于分割处理后的图像和血管中心线，计算血管测量直径、参考直径以及狭窄率。所述DSA影像处理模块将实时传入的DSA影像数据进行解码处理，把解码处理后的影像数据写入内存中供深度网络分割模块读取。其中，所述解码处理后的影像数据为可供后续模块处理的数据流。所述深度网络分割模块将获取的DSA影像数据中的图像进行分割处理，将血管像素与背景像素区分，具体包括：步骤1、从模型数据库中读取已有模型，初始化深度网络，开始一次训练或者测试过程；步骤2、训练过程：读取DSA影像数据中的图像数据(如图2)及标注数据，经过深度网络计算数据向网络前端传播，根据最后网络输出结果计算参数更新量并且更新网络参数，将更新得到的参数模型存储到模型数据库中供下次使用；步骤3、测试过程：读取DSA影像数据中的图像数据，经过深度网络计算本文档来自技高网...

【技术保护点】
1.一种基于深度学习的测量冠状动脉造影图像血管直径的方法，其特征在于，该方法包括：DSA影像处理模块将实时获取的DSA影像数据转成可供后续模块处理的数据流存储到内存中并发送至深度网络分割模块；深度网络分割模块将获取的DSA影像数据中的图像进行分割处理，将血管像素与背景像素区分；中心线提取模块提取区分血管像素图像中的血管中心线；直径计算模块基于分割处理后的图像和血管中心线，计算血管测量直径、参考直径以及狭窄率。

【技术特征摘要】
1.一种基于深度学习的测量冠状动脉造影图像血管直径的方法，其特征在于，该方法包括：DSA影像处理模块将实时获取的DSA影像数据转成可供后续模块处理的数据流存储到内存中并发送至深度网络分割模块；深度网络分割模块将获取的DSA影像数据中的图像进行分割处理，将血管像素与背景像素区分；中心线提取模块提取区分血管像素图像中的血管中心线；直径计算模块基于分割处理后的图像和血管中心线，计算血管测量直径、参考直径以及狭窄率。2.如权利要求1所述的方法，其特征在于，所述DSA影像处理模块将实时传入的DSA影像数据进行解码处理，把解码处理后的影像数据写入内存中供深度网络分割模块读取。3.如权利要求1所述的方法，其特征在于，所述深度网络分割模块将获取的DSA影像数据中的图像进行分割处理，将血管像素与背景像素区分，具体包括：步骤1、从模型数据库中读取...

【专利技术属性】
技术研发人员：徐波，王筱斐，赵森祥，陈东浩，叶丹，
申请(专利权)人：北京红云智胜科技有限公司，
类型：发明
国别省市：北京,11