基于人工智能的下肢动脉血流管壁复合体自动分割方法技术

本发明专利技术涉及一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，属于生物医药技术领域。包括对原始下肢CTA输出文件进行体素插值计算处理，再进行矩阵裁剪运算，得到用于训练的本底图像文件；进行人工标注得到标签文件；构建深度学习模型，获得人工智能预测模型，将任意CTA本底图像输入模型预测每一个体素的所属类别；将获取的CTA本底图像文件中的仿射坐标系信息，与预测图数组进行融合，获得具有空间度量单位的语义分割图像，叠加至CTA本底图像上，获得最终的自动化分割结果。通过本发明专利技术可以去除明显的误分割区域，提升图像分割效果；对下肢血管进行更精准地分割，提高下肢动脉开放手术和介入治疗的效率和精度。脉开放手术和介入治疗的效率和精度。脉开放手术和介入治疗的效率和精度。

【技术实现步骤摘要】
基于人工智能的下肢动脉血流管壁复合体自动分割方法


[0001]本专利技术涉及一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，属于生物医药


技术介绍

[0002]下肢计算机断层扫描血管成像(以下简称下肢CTA)是目前较广泛用于评估下肢动脉疾病的非侵入性检测方法。经计算机软件对其后处理后，可显示下肢动脉的三维重建、最大密度投影和多平面重建等。理论上，其对从肾下腹主动脉至下肢动脉病变可进行较为精确的定性和定位诊断，辅助开放手术和腔内介入治疗的规划。目前，CTA影像的后处理中在以下方面仍存在缺陷：1)血管分割自动化程度较低。由于下肢动脉与骨骼之间解剖关系临近，侧枝动脉的对比剂强度较低，在使用阈值分割、区域生长等方法后，仍需要技术操作人员后处理时进行费时费力的手动修补和校正，往往效率低下且十分依赖经验，人力成本较高；2)下肢动脉管壁病变性质复杂，包括钙化、内膜增生、血栓以及混合性病变。传统的CTA后处理难以分辨这些复杂的情况，而病变的性质直接影响了手术和介入治疗方法的决策。因此，以上问题导致下肢CTA的影像诊断准确度欠佳，难以满足血管外科本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，其特征在于，包括以下步骤：步骤1：获取原始下肢CTA输出文件进行体素插值计算处理，以增加其空间分辨率；步骤2：对步骤1中插值计算后的文件进行矩阵裁剪运算，得到用于训练的本底图像文件；步骤3：制作标签文件；基于步骤2处理后的图像进行人工标注得到标签文件；步骤4：将步骤2的本底图像文件和步骤3的标签文件一一对应，获取相应的3维数组，划分为训练集和测试集；步骤5：构建深度学习模型，采用3D
‑
Unet作为模型架构；步骤6：训练网络以获得优化参数；步骤7：将步骤6获得的优化参数加载至设计的3D
‑
Unet架构中，获得人工智能预测模型，将任意CTA本底图像输入模型后输出多通道特征图数组，转换成单一预测图数组，即预测每一个体素的所属类别；步骤8：获取CTA本底图像文件中的仿射坐标系信息，与步骤7得出的预测图数组进行融合，获得具有空间度量单位的语义分割图像；步骤9：将步骤8的语义分割图像叠加至CTA本底图像上，即可获得最终的自动化分割结果。2.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，其特征在于，所述步骤3中标签文件的标签名称包括标签1：对比剂；标签2：钙化灶；标签3：管腔内低密度物质；标签4：血管内植入物；标签5：骨骼。3.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方法，其特征在于，所述步骤5中构建深度学习模型，包括以下步骤：步骤5.1：构建双卷积层函数，定义输入通道数、输出通道数和3D卷积核大小，对三维数组进行连续两次卷积运算操作，增加通道数，并依次进行归一化和激活函数操作；步骤5.2：构建下采样函数，采用最大池化法对特征图进行降维，定义输入通道和输出通道数；步骤5.3：构建上采样函数，采用转置卷积法放大特征图的维度，定义输入通道和输出通道数；步骤5.4：构建特征图拼接函数，将相同大小的特征图在通道维度上进行拼接；步骤5.5...

【专利技术属性】
技术研发人员：潘天岳，董智慧，符伟国，刘浩，蒋小浪，刘轶凡，邹凌威，石贇，李萌，
申请(专利权)人：复旦大学附属中山医院，
类型：发明
国别省市：