一种冠状动脉CT影像深度聚类和分割方法及系统技术方案

本发明专利技术公开了一种冠状动脉CT影像深度聚类和分割方法及系统，其中方法包括步骤如下：S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；S4：通过冠状动脉CT影像分类结果，利用3D U‑net分组对冠状动脉进行分割。本发明专利技术有利于提高冠状动脉的分割精度，为后续的临床诊断和治疗提供帮助。

【技术实现步骤摘要】
一种冠状动脉CT影像深度聚类和分割方法及系统
本专利技术涉及医学图像聚类和分割
，更具体的，涉及一种基于CNN、K-means和3DU-net的冠状动脉CT影像深度聚类和分割方法及系统。
技术介绍
目前，在传统的医学图像处理方法中，虽然聚类算法应用广泛，但也存在一定缺陷。现存方法中，对大范围数据集进行端对端训练的方法极少，大多数方法仅仅是基于简单的K-means、FCM等传统聚类算法[杨生友.聚类分析在医学图像中的应用[D].兰州大学,2009]、[周光华,李岳峰,孟群.模糊聚类分析在医学图像处理中的应用[J].中国卫生信息管理杂志,2011,08(004):69-73]。同时，现有的传统方法也未将卷积神经网络(ConvolutionalNeuralNetworks，CNN)和聚类方法相结合，并将其应用于冠状动脉CT影像分类。其次，在传统的方法中，对于各种医学图像，通常需要由医生根据图像特征手动为图像打上标记，这种办法耗时且费力，还需要医生具备较高的专业素养和较扎实的理论知识基础，尽管近年来积累了众包方面的专家知识[Kovashk本文档来自技高网...

【技术保护点】
1.一种冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的方法包括步骤如下：/nS1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；/nS2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；/nS3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；/nS4：通过冠状动脉CT影像分类结果，利用3D U-net分组对冠状动脉进行分割。/n

【技术特征摘要】
1.一种冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的方法包括步骤如下：
S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；
S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；
S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；
S4：通过冠状动脉CT影像分类结果，利用3DU-net分组对冠状动脉进行分割。


2.根据权利要求1所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的卷积神经网络包括AlexNet、VGG-16几种中的一种。


3.根据权利要求1所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的聚类算法采用K-means聚类算法。


4.根据权利要求3所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：采用所述的K-means聚类算法，将从卷积神经网络中抽取的所有特征聚成K类。然后，通过调整以下损失函数，对每个样本x赋予伪标签y：



式中，fθ(xn)是由卷积神经网络产生的特征；yn是通过聚类产生的样本xn的伪标签；N为样本总数，C为聚类的质心矩阵。


5.根据权利要求4所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：利用聚类算法得到的伪标签，通过优化以下损失函数，对卷积神经网络的权重进行更新：



式中，l是多项逻辑损失，亦称为l...

【专利技术属性】
技术研发人员：曾安，刘淇乐，潘丹，徐小维，吴春彪，陈宇琛，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44