【技术实现步骤摘要】
一种基于空间排序自监督学习的冠脉提取方法及系统
[0001]本专利技术涉及医学图像处理
，具体涉及一种基于空间排序自监督学习的冠脉提取方法及系统。
技术介绍
[0002]心血管疾病是当今世界致死率最高的疾病，并且具有突发性和隐蔽性，心血管疾病的主要起因是冠状动脉狭窄和硬化等。针对冠状动脉血管的准确量化分析对临床心血管疾病的诊治具有重要意义。因此，进行精准的冠状动脉血管提取是量化分析的前提，对心血管疾病的诊治具有重要的临床意义。但是传统的迁移学习方法中存在域偏移，容易导致冠状动脉血管提取不准确，进而影响后续的诊断分析。
技术实现思路
[0003]鉴于以上问题，本专利技术提出一种基于空间排序自监督学习的冠脉提取方法及系统，用以解决现有的迁移学习方法对于冠状动脉血管提取不准确的问题。
[0004]根据本专利技术的一方面，提供一种基于空间排序自监督学习的冠脉提取方法，该方法包括以下步骤：
[0005]S1、获取CTA图像数据集；
[0006]S2、对所述CTA图像数据集进行一次预处理和二...
【技术保护点】
【技术特征摘要】
1.一种基于空间排序自监督学习的冠脉提取方法，其特征在于，包括以下步骤：S1、获取CTA图像数据集；S2、对所述CTA图像数据集进行一次预处理和二次预处理，获取自监督训练数据集；S3、将所述自监督训练数据集输入基于空间排序自监督学习的3D卷积神经网络预训练模型中进行训练，获取训练好的3D卷积神经网络预训练模型，并保存网络模型权重参数；S4、对经过一次预处理的CTA图像数据集中冠脉区域进行人工标注，获取具有标记的冠脉区域数据集；S5、将网络模型权重参数迁移至基于3D卷积神经网络的冠脉分割网络模型，作为初始网络参数；并将具有标记的冠脉区域数据集输入所述冠脉分割网络模型进行训练，获取训练好的冠脉分割网络模型；S6、将待分割冠脉区域数据输入训练好的冠脉分割网络模型，获取冠脉分割结果。2.根据权利要求1所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S2中所述一次预处理为：根据提取的血管中心线的位置获取血管半径信息，以构建三维冠脉标注；所述二次预处理为：将血管沿着中心线按照顺序裁剪成固定大小的多个三维图像块。3.根据权利要求2所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S3中将3D卷积神经网络预训练模型的网络最后一层修改为分类网络，采用连续的三维图像块作为所述分类网络的输入，输出为三维图像块预测顺序；训练的具体过程包括：S31、采用高斯初始化方法初始化网络参数；S32、采用交替采样法对所述自监督训练数据集进行采样，每次按照顺序抽取4个三维图像块，初始采样间距为1，即输入网络训练的数据集为{Ai，Ai+1，Ai+2，Ai+3}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；Ai表示起始三维图像块；S33、初始采样间距为2，即输入网络训练的数据集为{Ai，Ai+2，Ai+4，Ai+6}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；S34、初始采样间距为3，即输入网络训练的数据集为{Ai，Ai+3，Ai+6，Ai+9}；连续训练100个轮次，训练过程中将4个三维图像块顺序进行随机打乱；S35、重复S32
‑
S34，直至自监督损失函数值小于预先设定的阈值，获得训练好的预训练网络模型。4.根据权利要求3所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，所述自监督损失函数值为输出的三维图像块预测顺序与真实的三维图像块顺序的差值的绝对值。5.根据权利要求4所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S5中基于传统二值交叉熵损失对所述冠脉分割网络模型进行调整和训练。6.根据权利要求2所述的一种基于空间排序自监督学习的冠脉提取方法，其特征在于，S2中所述一次预处理的具体过程包括：采用散射测量方法对CTA图像中血管进行半径提取，具体为：人工标记血管中心线位置，以所述位置向三维空间26个方向发出射线，沿着射线对比每个像素点灰度值与中心点灰度值的绝对值差值N，当N大于预设阈值时，判定射线上当前像素点为边界像素点；任意一条射线上的两个边界像素点的距离测定为Hi，则多条射线对应的距离测定为H1、H2、
……
、H26，选择距离的最小值作为血管当前位置中心线的直径，
以获取血管中心线所在位置的半径。7.根据权利要求6所述的一种基于空间排序自监督学习的冠脉提取...
【专利技术属性】
技术研发人员：李悦，邱兆文，王定宇，罗丹，黄煜欣，
申请(专利权)人：黑龙江拓盟科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。