一种基于深度树模型的冠状动脉自动解剖标注方法及系统技术方案

一种基于深度树模型的冠状动脉自动解剖标注方法及系统，它属于医学图像处理技术领域。本发明专利技术解决了现有标注方法并未考虑到不同患者冠脉树拓扑结构的差异性的问题。本发明专利技术通过冠状动脉CT造影技术获取CCTA影像，再人工提取CCTA影像中的冠脉树各个分支的中心线，并对不同类型分支的中心线进行标注，构建深度树模型并进行训练，以准确且高效地实现冠状动脉的自动解剖标注。本发明专利技术能够根据CCTA检查获得的体数据和冠脉分支中心线生成每个患者对应的冠脉树拓扑结构，能够有效应对不同患者冠脉树拓扑结构的差异，并克服了未收录分支类别无法标注的问题。本发明专利技术可以应用于对冠状动脉进行自动解剖标注。自动解剖标注。自动解剖标注。

【技术实现步骤摘要】
一种基于深度树模型的冠状动脉自动解剖标注方法及系统


[0001]本专利技术属于医学图像处理
，具体涉及一种基于深度树模型的冠状动脉自动解剖标注方法及系统。

技术介绍

[0002]冠脉粥样硬化性心脏病(Coronary Artery Disease，CAD)，亦称为冠心病，是心血管疾病中患病率最高的疾病。其实由于冠脉的主要供血分支发生粥样硬化病变而造成的血管狭窄或堵塞，从而导致具有心肌缺血、心绞痛等症状的心脏病，严重时可危及人的生命。
[0003]冠状动脉CT血管造影(Coronary CT angiography，CCTA)是一种用于诊断和预测冠状动脉疾病的非侵入性影像技术。CCTA检查通过静脉注射适当造影剂，而后使用多排螺旋CT扫描胸腔，对冠状动脉的病变情况进行成像。目前该影像技术主要应用于测量冠脉钙化斑块负荷、监测冠脉管壁周围组织病变情况以及冠心病相关手术的术后随访等用途。
[0004]在临床应用中，医务人员需要通过一系列的CCTA影像后处理才能获得诊断报告。冠心病计算机辅助诊断系统能够自动化地完成上述功能，有效地减轻医务人员的工作压力，并降低发生误诊漏诊的可能性。而冠状动脉自动解剖标注任务是辅助诊断系统自动化检测冠脉狭窄及斑块前不可或缺的程序，但是现有的冠状动脉自动解剖标注方法并未考虑到不同患者冠脉树拓扑结构的差异性，进而影响到后续辅助诊断系统检测的准确率。

技术实现思路

[0005]本专利技术的目的是为解决现有标注方法并未考虑到不同患者冠脉树拓扑结构的差异性的问题，而提出了一种基于深度树模型的冠状动脉自动解剖标注方法及系统。
[0006]本专利技术为解决上述技术问题所采取的技术方案是：
[0007]基于本专利技术的一个方面，一种基于深度树模型的冠状动脉自动解剖标注方法，所述方法具体包括以下步骤：
[0008]步骤S1、获取CCTA影像，并对CCTA影像进行筛选，获得筛选后的CCTA影像；
[0009]步骤S2、提取筛选后的CCTA影像中的冠脉树各个分支的中心线，并对不同类型的分支所属的类别进行标注；
[0010]步骤S3、对筛选后的CCTA影像的体数据进行预处理，获得预处理后的CCTA体数据；
[0011]步骤S4、构建深度树模型，以步骤S3预处理后的CCTA体数据以及步骤S2所提取的中心线和标注作为深度树模型的训练数据集，直至迭代次数达到预设的最大迭代次数时停止训练；
[0012]步骤S5、对待标注的CCTA影像进行分支中心线的提取和体数据的预处理后，基于训练好的深度树模型、预处理后的CCTA体数据以及提取的冠脉分支中心线，完成CCTA影像中冠状动脉的自动解剖标注。
[0013]进一步地，所述CCTA影像是通过冠状动脉CT造影技术获取的。
[0014]进一步地，所述对不同类型的分支所属的类别进行标注，使用数字0～11作为类别
标签；其中：
[0015]标签0代表右冠脉，标签1代表左主干，标签2代表前降支，标签3代表回旋支，标签4代表后降支，标签5代表左室后支，标签6代表钝缘支，标签7代表锐缘支，标签8代表动脉圆锥支，标签9代表右室前支，标签10代表对角支，标签11代表其它分支。
[0016]进一步地，所述步骤S3的具体过程为：
[0017]步骤S31、对CCTA影像进行裁剪，获得裁剪后的CCTA影像；
[0018]步骤S32、将裁剪后的CCTA影像中各体素的CT值按照由大到小排序，将排在前a％的体素中最小的CT值作为上界，将裁剪后的CCTA影像中各体素的CT值按照由小到大排序，将排在前a％的体素中最大的CT值作为下界；
[0019]将裁剪后的CCTA影像中各体素的CT值缩放到确定出的上界和下界之间，获得经过缩放后各体素的CT值；
[0020]步骤S33、计算经过缩放后全部体素的CT值的平均值和方差；
[0021]步骤S34、对于任意一个体素，将该体素经过缩放后的CT值与平均值做差，再将做差结果除以方差得到该体素预处理后的CT值；
[0022]同理，分别得到裁剪后的CCTA影像中每个体素预处理后的CT值。
[0023]进一步地，所述步骤S4中，对步骤S3预处理后的CCTA体数据以及步骤S2所提取的中心线进行处理，提取出冠脉段的图像特征和位置特征；再将提取出的冠脉段图像特征和位置特征进行拼接，将拼接结果输入深度树模型，利用拼接结果和标签对深度树模型进行训练；
[0024]所述冠脉段的图像特征和位置特征的提取流程为：
[0025]步骤S41、对于步骤S2中提取出的冠脉树各个分支的中心线，若在当前分支上不存在与其它分支的交汇点，则将当前分支作为一个冠脉段，若在当前分支上存在与其它分支的交汇点，则利用当前分支的起点、各交汇点和终点将当前分支分割成若干个冠脉段；
[0026]步骤S42、分别对每个冠脉段进行图像特征和位置特征的提取
[0027]步骤S421、对于任意一个冠脉段，沿该冠脉段的中心线每间隔5个坐标点选取出一个坐标点作为选择点坐标，将预处理后的CCTA体数据中与选择点坐标对应的体素作为中心体素，以中心体素作为三维体素块的中心点截取出25
×
25
×
25的体素块；
[0028]步骤S422、将步骤S421中截取出的每个体素块分别通过3D CNN网络模块，提取出每个体素块的图像特征；
[0029]将各个体素块的图像特征进行拼接后，将拼接结果通过特征映射模块，得到该冠脉段的图像特征；
[0030]步骤S423、对该冠脉段中心线进行等间距采样，通过采样获得50个三维坐标点；
[0031]对该冠脉段中心线进行9等分，得到8个等分点，获得起点、终点和等分点中的任意两个点分别连接产生的45个方向向量的法向量；
[0032]选择等间距采样对该冠脉段中心线采样5个三维坐标点；
[0033]步骤S424、将步骤S423采样得到的三维坐标点坐标和得到的法向量进行拼接，将拼接结果通过特征映射模块，得到该冠脉段的位置特征；
[0034]步骤S425、重复步骤S421至步骤S424的过程，得到每个冠脉段的图像特征以及位置特征。
[0035]进一步地，所述3D CNN网络模块的结构为：
[0036]从输入端开始，3D CNN网络模块依次包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层以及第三最大池化层。
[0037]进一步地，所述特征映射模块由多个全连接层组成。
[0038]进一步地，所述深度树模型包括深度树生成器和分支归属判别器。
[0039]进一步地，所述步骤S5中，基于训练好的深度树模型、预处理后的CCTA体数据以及提取的冠脉分支中心线，完成CCTA影像中冠状动脉的自动解剖标注；其具体过程为：
[0040]步骤S51、基于预处理后的CCTA体数据以及提取的冠脉分支中心线获得待标注CCTA影像中每个冠脉段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度树模型的冠状动脉自动解剖标注方法，其特征在于，所述方法具体包括以下步骤：步骤S1、获取CCTA影像，并对CCTA影像进行筛选，获得筛选后的CCTA影像；步骤S2、提取筛选后的CCTA影像中的冠脉树各个分支的中心线，并对不同类型的分支所属的类别进行标注；步骤S3、对筛选后的CCTA影像的体数据进行预处理，获得预处理后的CCTA体数据；步骤S4、构建深度树模型，以步骤S3预处理后的CCTA体数据以及步骤S2所提取的中心线和标注作为深度树模型的训练数据集，直至迭代次数达到预设的最大迭代次数时停止训练；步骤S5、对待标注的CCTA影像进行分支中心线的提取和体数据的预处理后，基于训练好的深度树模型、预处理后的CCTA体数据以及提取的冠脉分支中心线，完成CCTA影像中冠状动脉的自动解剖标注。2.根据权利要求1所述的一种基于深度树模型的冠状动脉自动解剖标注方法，其特征在于，所述对不同类型的分支所属的类别进行标注，使用数字0～11作为类别标签；其中：标签0代表右冠脉，标签1代表左主干，标签2代表前降支，标签3代表回旋支，标签4代表后降支，标签5代表左室后支，标签6代表钝缘支，标签7代表锐缘支，标签8代表动脉圆锥支，标签9代表右室前支，标签10代表对角支，标签11代表其它分支。3.根据权利要求2所述的一种基于深度树模型的冠状动脉自动解剖标注方法，其特征在于，所述步骤S3的具体过程为：步骤S31、对CCTA影像进行裁剪，获得裁剪后的CCTA影像；步骤S32、将裁剪后的CCTA影像中各体素的CT值按照由大到小排序，将排在前a％的体素中最小的CT值作为上界，将裁剪后的CCTA影像中各体素的CT值按照由小到大排序，将排在前a％的体素中最大的CT值作为下界；将裁剪后的CCTA影像中各体素的CT值缩放到确定出的上界和下界之间，获得经过缩放后各体素的CT值；步骤S33、计算经过缩放后全部体素的CT值的平均值和方差；步骤S34、对于任意一个体素，将该体素经过缩放后的CT值与平均值做差，再将做差结果除以方差得到该体素预处理后的CT值；同理，分别得到裁剪后的CCTA影像中每个体素预处理后的CT值。4.根据权利要求3所述的一种基于深度树模型的冠状动脉自动解剖标注方法，其特征在于，所述步骤S4中，对步骤S3预处理后的CCTA体数据以及步骤S2所提取的中心线进行处理，提取出冠脉段的图像特征和位置特征；再将提取出的冠脉段图像特征和位置特征进行拼接，将拼接结果输入深度树模型，利用拼接结果和标签对深度树模型进行训练；所述冠脉段的图像特征和位置特征的提取流程为：步骤S41、对于步骤S2中提取出的冠脉树各个分支的中心线，若在当前分支上不存在与其它分支的交汇点，则将当前分支作为一个冠脉段，若在当前分支上存在与其它分支的交汇点，则利用当前分支的起点、各交汇点和终点将当前分支分割成若干个冠脉段；步骤S42、分别对每个冠脉段进行图像特征和位置特征的提取步骤S421、对于任意一个冠脉段，沿该冠脉段的中心线每间隔5个坐标点选取出一个坐
标点作为选择点坐标，将预处理后的CCTA体数据中与选择点坐标对应的体素作为中心体素，以中心体素作为三维体素块的中心点截取出25
×
25
×
25的体素块；步骤S422、将步骤S421中截取出的每个体素块分别通过3D CNN网络模块，提取出每个体素块的图像特征；将各个体素块的图像特征进行拼接后，将拼接结果通过特征映射模块，得到该冠脉段的图像特征；步骤S423、对该冠脉段中心线进行等间距采样，通过采样获得50个三维坐标点；对该冠脉段中心线进行9等分，得到8个等分点，获得起点、终点和等分点中的任意两个点分别连接产生的45个方向向量的法向量；选择等间距采样对该冠脉段中心线采样5个三维坐标点；步骤S424、将步骤S423采样得到的三维坐标点坐标和得到的法向量进行拼接，将拼接结果通过特征映射模块，得到该冠脉段的位置特征；步骤S425、重复步骤S421至步骤S424的过程，得到每个冠脉段的图像特征以及位置特征。5.根据权利要求4所述的一种基于深度树模型的冠状动脉自动解剖标注方法，其特征在于，所述3D CNN网络模块的结构为：从输入端开始，3D CNN网络模块依次包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层以及第三最大池化层。6.根据权利要求5所述的一种基于深度树模型的冠状动脉自动解剖标注方法，其特征在于，所述特征映射模块由多个全连接层组成。7.根据权利要求6所述的一种基于深度树模型的冠状动脉自动解剖标注方法，其特征在于，所述深度树模型包括深度树生成器和分支归属判别器。8.根据权利要求7所述的一种基于深度树模型的冠状动脉自动解剖标注方法，其特征在于，所述步骤S5中，基于训练好的深度树模型、预处理后的CCTA体数据以及提取的冠脉分支中心线，完成CCTA影像中冠状动脉的自动解剖标注；其具体过程为：步骤S51、...

【专利技术属性】
技术研发人员：王宽全，马兴华，骆功宁，王玮，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：