基于深度学习的动脉瘤检测方法技术

本发明专利技术公开了一种基于深度学习的动脉瘤检测方法，属于图像处理技术领域；包括以下步骤：获取血管造影图像；对造影图像通过卷积神经网络获取含动脉瘤的血管区域；根据动脉瘤的瘤颈宽度及最大距离获取血管区域中动脉瘤的脆弱程度；根据动脉瘤边缘上每个像素点的起伏值获取血管区域中动脉瘤的起伏程度；根据动脉瘤边缘两端处对应血管的直径，动脉瘤的脆弱程度和起伏程度，以及动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤的危害指数。本发明专利技术通过获取该动脉瘤的特征标注于图像的动脉瘤旁边为医生提供参考，从而实现对动脉血管图像的快速判断。图像的快速判断。图像的快速判断。

【技术实现步骤摘要】
基于深度学习的动脉瘤检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于深度学习的动脉瘤检测方法。

技术介绍

[0002]动脉瘤是由于动脉壁的病变或者损伤形成动脉壁局限性或者弥漫性的扩张而形成，根据动脉瘤出现部位不同可分为周围动脉瘤、腹主动脉瘤、胸腹主动脉瘤、主动脉夹层动脉瘤、内脏动脉瘤等，主要表现为体表搏动性肿块、动脉瘤压迫周围神经或破裂时出现剧烈疼痛，瘤腔内血栓或斑块脱落致远端动脉栓塞产生肢体、器官缺血或坏死等。动脉瘤由于早期症状不明显，因此目前动脉瘤在我国的筛查率较低，一方面是由于患者在病变早期无明显症状对病情不够重视，另一方面从客观上则是因为医疗条件的不足。
[0003]临床上对动脉瘤病变的检测主要依赖于人工检测，首先利用医疗设备采集患者动脉图像，然后需要经验丰富的医生对动脉图像进行评估，在人工检测过程中既耗费医疗设备等物理资源，同时对临床医生的专业性有较高的要求。现有技术中借助深度学习网络模型只是简单的识别出含有动脉瘤的区域，但是并未能够直接反映出动脉瘤病变形状，难以快速的判断出动脉瘤的危害程度。
专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的动脉瘤检测方法，其特征在于，包括以下步骤：获取血管造影图像；对造影图像通过卷积神经网络获取含动脉瘤的血管区域；获取血管区域中动脉瘤的瘤颈宽度；并获取血管区域中动脉瘤边缘上任意两个像素点的距离，从任意两个像素点的距离中获取最大距离；根据动脉瘤的瘤颈宽度及最大距离获取血管区域中动脉瘤的脆弱程度；根据与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘；根据动脉瘤边缘上相邻像素点至第二血管边缘的距离差值获取动脉瘤边缘上每个像素点的起伏值；根据动脉瘤边缘上每个像素点的起伏值获取血管区域中动脉瘤的起伏程度；获取动脉瘤边缘两端处对应血管的直径；根据动脉瘤边缘两端处对应血管的直径，动脉瘤的脆弱程度和起伏程度，以及动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤的危害指数。2.根据权利要求1所述的基于深度学习的动脉瘤检测方法，其特征在于，所述动脉瘤所在侧的第二血管边缘是按照以下步骤获取：根据动脉瘤边缘两端处的像素点均与其相邻的血管边缘像素点获取动脉瘤边缘两端处像素点均与其相邻血管边缘像素点连线的第一斜率；根据动脉瘤边缘两端处像素点均与其相邻的血管边缘像素点连线的第一斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的第一直线斜率；根据分别经动脉瘤边缘两端处像素点的第一直线斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的两条直线；获取两条直线与血管区域中动脉瘤相对一侧的第一血管边缘各有一个交点；根据该两个交点间与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘。3.根据权利要求2所述的基于深度学习的动脉瘤检测方法，其特征在于，所述动脉瘤所在侧的第二血管边缘的获取是通过第一血管边缘上的相邻像素点的斜率模拟而获取的。4.根据权利要求2所述的基于深度学习的动脉瘤检测方法，其特征在于，根据两条直线与动脉瘤边缘两端处的血管两侧相交的线...

【专利技术属性】
技术研发人员：柴磊，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：