冠状动脉壁图像分割方法、系统、存储介质、计算机设备技术方案

本发明专利技术属于冠状动脉造影图像处理技术领域，公开了一种冠状动脉壁图像分割方法、系统、存储介质、计算机设备，将CCTA冠状动脉数据集分为训练数据集和测试数据集；为训练集部分标记缺失的区域添加人工粗略勾画的不确定区域标记；对冠脉数据进行预处理，将图像大小调整相同，去除部分高亮钙化斑块和背景影响，并进行归一化操作；将所有数据存储到一个文件中；使用Keras编程实现网络框架；建立一个针对小目标问题的损失函数；对于不确定区域，在最开始的一段时间内，将不确定区域的loss贡献置0，后面随着训练次数的增加，对不确定区域的标记进行迭代预测更新。本发明专利技术用于部分冠脉壁标记缺失情况下，解决冠状动脉壁的全自动分割问题。

【技术实现步骤摘要】
冠状动脉壁图像分割方法、系统、存储介质、计算机设备
本专利技术属于冠状动脉造影图像处理
，尤其涉及一种冠状动脉壁图像分割方法、系统、存储介质、计算机设备。
技术介绍
目前，冠心病(CoronaryHeartDisease,CHD)是世界范围内致死率第一的疾病。冠状动脉狭窄与冠状动脉粥样硬化斑块(以下简称斑块)破裂是心绞痛、心肌梗死和心源性猝死的主要病因。冠状动脉狭窄直接影响冠状动脉内的血流，而易损性斑块容易破裂，从而导致血栓的形成和血流的突然中断。有研究表明，易损性斑块在冠心病的发展中具有更高的危险性。事实上，近一半的心源性猝死发生在无症状的患者身上，这些患者的冠脉狭窄程度正常。因此，仅测量冠脉狭窄程度不足以完全评估冠心病的风险，为了更加准确地评估冠心病的风险，还需要对斑块进行分析。然而斑块体积小，形态复杂，且非钙化斑块等与周围组织对比度低，直接从CCTA图像中分析斑块任务难度过大。斑块生长于冠脉壁中，将冠脉壁从周围复杂的组织结构中精确地分割出来能够降低分析斑块的难度。冠状动脉造影(CoronaryComputedTomographyAngiog本文档来自技高网...

【技术保护点】
1.一种冠状动脉壁图像分割方法，其特征在于，所述冠状动脉壁图像分割方法包括：/n步骤一，获取CCTA冠状动脉图像数据；将数据集分为训练数据集和测试数据集；为训练集部分标记缺失的区域添加人工粗略勾画的不确定区域标记；/n步骤二，对冠状动脉图像数据进行预处理，将图像大小调整相同，去除部分高亮钙化斑块和背景影响，并进行归一化操作；将所有数据存储到一个文件中；/n步骤三，使用Keras编程实现网络框架；建立一个针对小目标问题的损失函数；在半监督训练过程中，对于不确定区域，在最开始的一段时间内，将不确定区域的loss贡献置0，后面随着训练次数的增加，对不确定区域的标记进行迭代预测更新；通过优化算法优化网...

【技术特征摘要】
1.一种冠状动脉壁图像分割方法，其特征在于，所述冠状动脉壁图像分割方法包括：
步骤一，获取CCTA冠状动脉图像数据；将数据集分为训练数据集和测试数据集；为训练集部分标记缺失的区域添加人工粗略勾画的不确定区域标记；
步骤二，对冠状动脉图像数据进行预处理，将图像大小调整相同，去除部分高亮钙化斑块和背景影响，并进行归一化操作；将所有数据存储到一个文件中；
步骤三，使用Keras编程实现网络框架；建立一个针对小目标问题的损失函数；在半监督训练过程中，对于不确定区域，在最开始的一段时间内，将不确定区域的loss贡献置0，后面随着训练次数的增加，对不确定区域的标记进行迭代预测更新；通过优化算法优化网络，得到训练好参数的网络。


2.如权利要求1所述的冠状动脉壁图像分割方法，其特征在于，所述冠状动脉壁图像分割方法还包括：
(1)获取CCTA冠状动脉图像数据；
(2)将数据集分为训练数据集和测试数据集；
(3)为训练集部分标记缺失的区域添加人工粗略勾画的不确定区域标记；
(4)对冠状动脉图像数据进行预处理，去除部分高亮钙化斑块和背景影响，并进行归一化操作，将图像大小调整相同，；
(5)将所有数据存储到一个HDF5文件中，HDF5文件能够加快IO传输效率；
(6)使用Keras编程实现网络框架；
(7)建立一个针对小目标问题的损失函数；
(8)在半监督训练过程中，对于不确定区域，在最开始的一段时间内，将不确定区域的loss贡献置0，后面随着训练次数的增加，对不确定区域的标记进行迭代预测更新；
(9)通过Adam优化算法优化网络，得到训练好参数的网络；
(10)在测试集上进行测试，评估算法性能。


3.如权利要求2所述的冠状动脉壁图像分割方法，其特征在于，所述(4)对冠状动脉图像数据进行预处理包括：
1)将数据中大于1000HU以及小于0HU的值进行裁剪，剔除低密度组织、空气以及高密度钙化斑块对冠脉壁分割的影响；
2)计算出训练数据的均值以及标准差，所有的数据集进行减均值，再除以标准差的操作，完成数据归一化；
3)将所有数据调整为相同大小。


4.如权利要求2所述的冠状动脉壁图像分割方法，其特征在于，所述(6)使用Keras编程实现网络框架包括
1)使用Keras编写基于3D-UNet的全卷积分割网络，此分割任务是单目标分割；
2)将残差模块ResBlock结合进网络中，利于信号的传递。


5.如权利要求2所述的冠状动脉壁图像分割方法，其特征在于，所述(7)建立一个针对小目标问题的损失函数包括：
1)为了解决样本数量不平衡问题，根据中值频率平衡MFB计算出目标冠脉壁与背景各自的权重：



其中c为不同的类别，fc为类别c像素的频率c；
2)将1)中得到的权重ωc与GeneralizedDiceLoss进行结合，得到新的损失函数：



其中，gcn为类别c在第n个体素的标准值，pcn为相应的预测概率值。


6.如权利要求2所述的冠状动脉壁图像分割方法，其特征在于，所述(8)半监督训练过程包括：
1)针对冠脉壁部分标记缺失的问题，采用伪标签Pseudo-Label的半监督方法进行训练；
2)训练集的标签，0代表背景，1代表目标管壁，为上述的不确定区域体素给定新的标签2，以便记忆这些区域的体素位置；
3)在训练的前10个epoch，将标签为2的体素对网络的loss贡献值置0，前10个epoch相当于只用了正确标签的数据进行了强监督训练；
4)从第11个epoch开始，对标签为2的区域各体素标签进行以下更新：



其中，f(x)为网络的预测值；
5)每经过一次前向传播，都按照4)中的描述更新一次不确定区域的标签值，将更新后...

【专利技术属性】
技术研发人员：梁继民，陈菲，徐磊，曹丰，任胜寒，陈雪利，胡海虹，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61