基于深度学习的冠脉CTA影像的处理方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习的冠脉CTA影像的处理方法及装置，该方法包括：将CTA图像序列转换成目标NIFTI文件；调用预先训练的掩码图像识别模型对目标NIFTI文件进行识别，将得到的带有掩码信息的NIFTI文件转换为目标掩码图像序列；根据目标掩码图像序列对CTA图像序列中的胸骨区域进行去除，得到目标图像序列；对目标图像序列进行基于体绘制的图像三维重建；从三维模型中提取血管区域，将血管区域上的每一个点投影到二维平面上，得到血管拉直后的重建图像。本发明专利技术引入深度学习方法，利用预先训练的掩码图像识别模型实现CTA图像序列中胸骨区域去除，并实现图像三维重建，大大缩短CTA影像的处理时间并取得了较高的识别精度。CTA影像的处理时间并取得了较高的识别精度。CTA影像的处理时间并取得了较高的识别精度。

【技术实现步骤摘要】
基于深度学习的冠脉CTA影像的处理方法及装置


[0001]本专利技术涉及图像处理
，特别涉及一种基于深度学习的冠脉CTA影像的处理方法及装置。

技术介绍

[0002]冠状动脉血管造影(CTA，CT Angiography)是心脏疾病辅助诊断的重要方法，从CTA数据中准确分割冠脉血管，不仅能提供对血管结构的定量描述，还可以观察比较血管的几何变化，对疾病的诊断和治疗具有重要意义。目前，随着影像设备分辨率的大幅提高，数据量也急剧上升，这给医生增加了很大的阅片负担。因此，借助计算机辅助诊断技术，处理分析心脏影像进而诊断心血管疾病成为目前国内外研究热点。快速、有效地处理CTA影像，实现冠状动脉的自动分割和相关参数的计算，能够给医生带来直观的结果，辅助医生进行更加准确的临床诊断，减轻医生的阅片负担，缩短医生的诊断时间。
[0003]基于此，如何快速、精确地实现CTA影像中胸骨区域自动分割并实现图像三维重建，是CTA影像处理中亟待解决的问题。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的冠脉CTA影像的处理方法，其特征在于，所述方法包括：将CTA图像序列转换成目标NIFTI文件；调用预先训练得到的掩码图像识别模型，通过所述掩码图像识别模型对所述目标NIFTI文件进行识别，得到带有掩码信息的NIFTI文件；将得到的带有掩码信息的NIFTI文件转换为目标掩码图像序列；根据目标掩码图像序列对CTA图像序列中的胸骨区域进行去除，得到目标图像序列；对目标图像序列进行基于体绘制的图像三维重建；其中，所述掩码图像识别模型的构建方法为：对训练数据集中的冠脉CTA图像序列进行基于体绘制的图像三维重建；在重建后的三维模型中选取胸骨区域在三维空间的三维坐标点集合；根据三维模型中的三维坐标点和冠脉CTA图像序列中的像素坐标点之间的对应关系，创建出冠脉CTA图像序列对应的掩码图像；将CTA图像序列和相应的掩码图像分别转换为对应的NIFTI文件；采用卷积神经网络基于得到的NIFTI文件进行训练，得到掩码图像识别模型。2.根据权利要求1所述的基于深度学习的冠脉CTA影像的处理方法，其特征在于，所述根据目标掩码图像序列对CTA图像序列中的胸骨区域进行去除包括：遍历目标掩码图像序列中每一掩码图像的所有坐标点，对掩码图像的像素点为0值的坐标点，将相应CTA图像对应的坐标点的像素点设置为预设最小像素值，对掩码图像的像素点为1值的坐标点，保持相应CTA图像对应的坐标点的像素点不变。3.根据权利要求1所述的基于深度学习的冠脉CTA影像的处理方法，其特征在于，所述采用卷积神经网络基于得到的NIFTI文件进行训练，得到掩码图像识别模型包括：采用U
‑
Net3d卷积神经网络模型解析得到的NIFTI文件，获取CTA图像序列和相应的掩码图像的图像数据以及空间坐标参数；将获取的图像数据以及空间坐标参数输入给模型的输入层，经过预设次数的Epoch训练周期后，得到所述得到掩码图像识别模型。4....

【专利技术属性】
技术研发人员：赖永航，陈栋栋，袁鹏，
申请(专利权)人：青岛美迪康数字工程有限公司，
类型：发明
国别省市：