一种基于深度学习的3D冠脉CTA斑块识别方法技术

一种基于深度学习的3D冠脉CTA斑块识别方法，通过残差连接与3D网络相结合构建冠脉分割网络、斑块识别网络，可以确保网络分割冠脉血管和斑块区域的完整。先分割血管区域实现冠脉斑块粗略定位，可以有效排除类似钙化区域的干扰，降低假阳率。基于冠脉分割网络构建斑块识别网络，利用空间注意力、通道注意力显著增强斑块区域的浅层特征和高层特征，可以适应结构多样的斑块，能够丰富边缘信息和语义信息，进一步定位斑块所在区域，完成斑块的准确识别。完成斑块的准确识别。完成斑块的准确识别。

【技术实现步骤摘要】
一种基于深度学习的3D冠脉CTA斑块识别方法


[0001]本专利技术涉及图像识别
，具体涉及一种基于深度学习的3D冠脉CTA斑块识别方法。

技术介绍

[0002]冠脉CT血管造影，简称冠脉CTA。它能清晰显示动脉斑块的位置、大小及形态，因为其无创、费用低以及操作简便而被广泛使用。但每做一次冠脉CTA检查，其产生的图像往往成百上千张，因此对血管斑块的准确识别就具有重要意义。通过冠脉CTA图像识别斑块可分为机器和深度学习方法。传统的机器学习方法识别斑块往往依赖于手工特征，如斑块大小、形状等。这种方法无法适应斑块大小不一、结构多样的特性，标注过程费时费力,并不能对斑块进行准确的描述。深度学习方法将冠脉CTA图像输入到神经网络中，通过学习相关斑块区域的特征，能够对斑块做出自动化判断。基于2D的斑块识别方法仅学习切片内的特征，通过堆叠每张切片识别的斑块区域做为最终识别结果。这种方法没有考虑斑块在切片间的上下文关系，会造成斑块区域缺失。基于2.5D的斑块识别方法利用三个解剖平面视图使用相同结构的2D网络分别识别斑块，通过融合三个网络的预测做为最终结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的3D冠脉CTA斑块识别方法，其特征在于，包括如下步骤：a)利用残差连接构建冠脉分割网络，分割血管粗略定位冠脉斑块所在的区域，得到只含有血管的冠脉CTA图像Coronary_C；b)训练冠脉分割网络；c)构建斑块识别网络，将只含有血管的冠脉CTA图像Coronary_C输入到斑块识别网络，得到斑块识别网络预测图Plaque_P；d)训练斑块识别网络。2.根据权利要求1所述的基于深度学习的3D冠脉CTA斑块识别方法，其特征在于，步骤a)包括如下步骤：a
‑
1)预处理冠脉CTA图像，从水平面视图去除不包含冠脉的冗余切片，得到预处理后的图像P2；a
‑
2)建立冠脉分割网络，该网络依次由收缩路径、扩展路径构成；a
‑
3)收缩路径由第一残差模块、第二残差模块、第三残差模块、第四残差模块构成，第一残差模块由第一基础卷积块、第二基础卷积块、第三基础卷积块构成，第一基础卷积块、第二基础卷积块、第三基础卷积块均依次由三维卷积Conv3d层、批量归一化BN层、激活函数Relu层构成，第二残差模块、第三残差模块、第四残差模块均由第一基础卷积块、第二基础卷积块构成，第一基础卷积块、第二基础卷积块均依次由三维卷积Conv3d层、批量归一化BN层、激活函数Relu层构成；a
‑
4)将预处理后的图像P2依次输入到收缩路径第一残差模块中的第一基础卷积块、第二基础卷积块、第三基础卷积块中，分别得到特征图res1_f1、特征图res1_f2、特征图res1_f3，将特征图res1_f1、特征图res1_f2、特征图res1_f3进行累加求和得到特征图Coronary_EF1；a
‑
5)将特征图Coronary_EF1输入到最大池化层中进行下采样，得到压缩特征图MAX_EF1，将压缩特征图MAX_EF1依次输入到收缩路径第二残差模块中的第一基础卷积块、第二基础卷积块中，分别得到特征图res2_f1、特征图res2_f2，将特征图res2_f1、特征图res2_f2、压缩特征图MAX_EF1进行累加求和得到特征图Coronary_EF2；a
‑
6)将特征图Coronary_EF2输入到最大池化层中进行下采样，得到压缩特征图MAX_EF2，将压缩特征图MAX_EF2依次输入到收缩路径第三残差模块中的第一基础卷积块、第二基础卷积块中，分别得到特征图res3_f1、特征图res3_f2，将特征图res3_f1、特征图res3_f2、压缩特征图MAX_EF2进行累加求和得到特征图Coronary_EF3；a
‑
7)将特征图Coronary_EF3输入到最大池化层中进行下采样，得到压缩特征图MAX_EF3，将压缩特征图MAX_EF3依次输入到收缩路径第四残差模块中的第一基础卷积块、第二基础卷积块中，分别得到特征图res4_f1、特征图res4_f2，将特征图res4_f1、特征图res4_f2、压缩特征图MAX_EF3进行累加求和得到特征图Coronary_EF4；a
‑
8)扩展路径由第一残差模块、第二残差模块、第三残差模块构成，第一残差模块、第二残差模块、第三残差模块均由第一基础卷积块、第二基础卷积块构成，第一基础卷积块、第二基础卷积块均依次由三维卷积Conv3d层、批量归一化BN层、激活函数Relu层构成，将特征图Coronary_EF4通过转置卷积插值方法进行恢复特征图操作，将其大小恢复至与特征图Coronary_EF3相一致，将特征图Coronary_EF4与特征图Coronary_EF3进行特征连接操作，得
到融合特征图DF_CON_EF3，将融合特征图DF_CON_EF3依次输入到扩展路径的第三残差模块的第一基础卷积块、第二基础卷积块中，分别得到特征图res3_f3、特征图res3_f4，将特征图res3_f3、特征图res3_f4、融合特征图DF_CON_EF3累加求和得到特征图Coronary_DF3；a
‑
9)将特征图Coronary_DF3通过转置卷积插值方法进行恢复特征图操作，将其大小恢复至与特征图Coronary_EF2相一致，将特征图Coronary_DF3与特征图Coronary_EF2进行特征连接操作，得到融合特征图DF_CON_EF2，将融合特征图DF_CON_EF2依次输入到扩展路径的第二残差模块的第一基础卷积块、第二基础卷积块中，分别得到特征图res2_f3、特征图res2_f4，将特征图res2_f3、特征图res2_f4、融合特征图DF_CON_EF2累加求和得到特征图Coronary_DF2；a
‑
10)将特征图Coronary_DF2通过转置卷积插值方法进行恢复特征图操作，将其大小恢复至与特征图Coronary_EF1相一致，将特征图Coronary_DF2与特征图Coronary_EF1进行特征连接操作，得到融合特征图DF_CON_EF1，将融合特征图DF_CON_EF1依次输入到扩展路径的第一残差模块的第一基础卷积块、第二基础卷积块中，分别得到特征图res1_f4、特征图res1_f5，将特征图res1_f4、特征图res1_f5、融合特征图DF_CON_EF1累加求和得到特征图Coronary_DF1；a
‑
11)将特征图Coronary_DF1输入到依次由三维卷积Conv3d层、批量归一化BN层、激活函数Relu层构成的基础卷积块中降低通道维度为2，得到特征图Coronary_G，其中三维卷积Conv3d层大小为1
×1×
1，通过argmax函数计算特征图Coronary_G第一维度最大值索引向量，将第一维度最大值索引转换为one
‑
hot向量，得到预测冠脉分割图Coronary_L，该预测冠脉分割图Coronary_L的像素值取值范围为{0.1}，其中0代表预测非冠脉区域，1代表预测冠脉区域，使用预测冠脉分割图Coronary_L分割预处理后的图像P2，得到只含有血管的冠脉CTA图像Coronary_C。3.根据权利要求2所述的基于深度学习的3D冠脉CTA斑块识别方法，其特征在于，步骤a
‑
1)包括如下步骤：a
‑
1.1)以水平面为基准，将大小为[512,512,Z]的冠脉CTA图像统一去除前20张和后20张冗余切片，切片后得到图像大小为[512,512,Z
‑
40]的图像P1，其中Z为冠脉CTA图像实际采集的水平面切片大小；a
‑
1.2)使用双线性插值方法bilinear将图像P1重采样到[0.45,0.45，0.45]大小的体素空间，将图像CT值在[0,1000]区间内的区域归一化到[0,1]区间内，得到图像P2。4.根据权利要求3所述的基于深度学习的3D冠脉CTA斑块识别方法，其特征在于：步骤a
‑
1.2)中通过公式计算得到归一化后的图像P2，式中a为[0,1000]、[0,1]区间CT值强度原始范围，b为[0,1]区间转换CT值强度目标范围，max为[0,1000]、[0,1]...

【专利技术属性】
技术研发人员：李金宝，王字成，舒明雷，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：