基于形态学和时序预测的血管特征提取及分析设备及方法技术

本发明专利技术公开一种基于形态学和时序预测的血管特征提取及分析设备及方法，设备包括单帧影像处理模块、时序预测模块和智能诊断模块；单帧影像处理模块可以将血管影像分割为单帧进行处理和血管特征点分类；时序预测模块对分类的血管特征点进行时序分析和预测分析；智能诊断模块对比预测分析的结果和存储的知识图谱，给出结果建议；综上，本发明专利技术提供了一种准确率和稳定性更好的基于血管形态学和时序预测的血管特征提取设备及方法。的血管特征提取设备及方法。的血管特征提取设备及方法。

【技术实现步骤摘要】
基于形态学和时序预测的血管特征提取及分析设备及方法


[0001]本专利技术涉及智能医学
，具体是基于血管形态学和时序预测的血管特征提取设备及方法。

技术介绍

[0002]心血管疾病是一类影响心脏和血管的疾病，包括冠心病、高血压、心脏瓣膜疾病、心律失常等。心血管疾病常会导致血管的形态发生变化，如动脉硬化、狭窄、扩张等。因此，血管形态学与心血管疾病的诊断密切相关。
[0003]目前在临床诊断中，通常使用医学影像技术(如CT、MRI等)来观察心脏和血管的形态，从而诊断疾病。同时，通过有经验的医生对影像中的相关特征点进行不同时间点上的影像比对，实现对疾病的分析与诊断。
[0004]例如，在冠心病的诊断中，医生可以通过冠状动脉造影等影像技术观察血管的狭窄情况，而血管狭窄的程度和位置等信息则可以通过血管形态学分析来得到。此外，通过对不同时间点的影像进行配准和比对，医生可以观察疾病的发展情况，并进行进一步的诊断和治疗决策。
[0005]因此，血管形态学和时序预测技术在心血管疾病的诊断和预警中具有重要作用。通过对血管形态学的研究和时序预测的分析，可以提高心血管疾病的早期诊断率和治疗效果。
[0006]目前，在心血管疾病预测领域的专利，大多还是根据患者的参数与血流量等参量进行诊断。申请号CN201810655810.9的中国专利技术专利提出了一种心脑血管疾病检测装置，其检测的参量有血压、血氧、脉搏、心音、体温等。在传感器收集完这些数据后，系统会对数据进行分类与诊断。
[0007]申请号CN202210591301.0的中国专利技术专利提出了一种基于多模态影像的血管易损斑块评估方法，使用多模态影像数据，构建了和斑块相关的力学计算方法，包括二维快速力学计算方法和基于三维血管和斑块模型的力学计算方法，实现了基于模型的斑块预测。
[0008]为此，可以构想利用计算机视觉和机器学习等技术，自动地从血管造影图像中提取血管的特征点。这些特征点可以用于血管形态学分析和时序预测，从而预测血管病变的进展和治疗效果。帮助医生更快速、准确地进行诊断和治疗，提高治疗效果和患者的生存率。

技术实现思路

[0009]针对上述问题，本专利技术提供了一种准确率和稳定性更好的基于血管形态学和时序预测的血管特征提取设备及方法。
[0010]为达此目的，本专利技术提供如下的技术方案：
[0011]本专利技术的第一个方面，提供了一种基于形态学和时序预测的血管特征提取及分析设备，包括单帧影像处理模块、时序预测模块和智能诊断模块；
[0012]所述单帧影像处理模块可以将血管影像分割为单帧进行处理和血管特征点分类；
[0013]所述时序预测模块对分类的血管特征点进行时序分析和预测分析；
[0014]所述智能诊断模块对比预测分析的结果和存储的知识图谱，给出结果建议。
[0015]优选的，所述单帧影像处理模块包括预处理模块、分割模块、SIFT特征点提取算法模块、CNN网络，
[0016]所述预处理模块对单帧图像进行预处理；
[0017]所述分割模块将预处理模块处理的图像中的血管区域和非血管区域分离；
[0018]所述SIFT特征点提取算法模块提取图像中的血管特征点；
[0019]所述CNN网络对血管特征点进行分类，可以将血管轮廓上的特征点分成不同的类别，包括但不限于血管边缘点、血管交叉点。
[0020]优选的，所述时序预测模块采用LSTM模型。
[0021]优选的，血管特征点包括：血管边缘点、血管交叉点。
[0022]优选的，所述预处理包括：依次完成二值化、均值滤波与高斯滤波的图像预处理，然后再使用ResUNet神经网络进行血管图像的语义分割。
[0023]优选的，所述血管影像包括DSA影像。
[0024]本专利技术的第二个方面，提供了一种基于形态学和时序预测的血管特征提取及分析方法，包括以下步骤：
[0025]S1、系统导入获取的血管影像；
[0026]S2、用SIFT算法从血管影像中提取特征点；
[0027]S3、将步骤S2提取的特征点作为CNN模型的输入，通过训练CNN模型，将血管轮廓上的特征点分成不同的类别；
[0028]S4、使用LSTM模型对血管特征点进行时序预测；
[0029]S5、预测分析的结果和存储的知识图谱，给出结果建议。
[0030]优选的，步骤S3中，利用CNN实现对SIFT提取出的特征点进行分类，包括以下步骤：
[0031]S31、数据准备，从血管轮廓图像中使用SIFT算法提取特征点，并将这些点保存到文件中，每个特征点应该包含其位置、尺度和方向，以及对应的特征描述符向量；
[0032]S32、数据预处理，将保存特征点的文件加载到内存中，并根据需要对数据进行预处理，将图片的大小调整至合适大小；
[0033]S33、数据划分，将数据分成训练集和测试集；
[0034]S34、构建CNN模型；
[0035]S35、模型训练，使用训练数据训练CNN模型，在每个训练批次结束后，评估模型在测试数据上的性能，并记录训练误差和测试误差；
[0036]S36、模型评估，使用测试数据评估训练后的CNN模型的性能，使用Accuracy进行评估，Accuracy定义如下：
[0037][0038]其中约定：TP(True Positives)：真正例，预测为正例而且实际上也是正例；
[0039]FP(False Positives)：假正例，预测为正例然而实际上却是负例；
[0040]FN(false Negatives)：假负例，预测为负例然而实际上却是正例；
[0041]TN(True Negatives)：真负例，预测为负例而且实际上也是负例；
[0042]S37、模型应用，使用训练好的CNN模型对新的血管轮廓图像数据进行分类，对新图像提取SIFT特征点，并使用训练好的模型预测每个特征点的类别；
[0043]S38、根据特征点的分类结果生成血管轮廓图像的标签或者分类信息。
[0044]优选的，步骤S4包括：
[0045]S41、数据处理：对于模型的输入数据，需要进行处理：将特征点位置、尺度和方向的信息编码成向量形式，并进行标准化的预处理操作；
[0046]S42、构建LSTM模型：根据输入数据的特点和任务需求，设计LSTM模型的结构，包括LSTM层的数量和大小、激活函数、优化器的参数；模型包括两层LSTM和一个全连接层，其中输入数据是设置大小的二值图像，LSTM层的激活函数是Sigmoid，全连接层的激活函数是Sigmoid，模型的优化器是Adam，损失函数是二元交叉熵；在模型训练中，使用批量梯度下降来进行优化；
[0047]S43、模型训练：使用已准备好的SIFT特征点位置数据集作为训练集，进而对LSTM模型进行训练，在训练过程中，可以使用交叉验证的方法进行模型调参优化；...

【技术保护点】

【技术特征摘要】
1.一种基于形态学和时序预测的血管特征提取及分析设备，其特征在于，包括单帧影像处理模块、时序预测模块和智能诊断模块；所述单帧影像处理模块可以将血管影像分割为单帧进行处理和血管特征点分类；所述时序预测模块对分类的血管特征点进行时序分析和预测分析；所述智能诊断模块对比预测分析的结果和存储的知识图谱，给出结果建议。2.如权利要求1所述的一种基于形态学和时序预测的血管特征提取及分析设备，其特征在于，所述单帧影像处理模块包括预处理模块、分割模块、SIFT特征点提取算法模块、CNN网络，所述预处理模块对单帧图像进行预处理；所述分割模块将预处理模块处理的图像中的血管区域和非血管区域分离；所述SIFT特征点提取算法模块提取图像中的血管特征点；所述CNN网络对血管特征点进行分类，可以将血管轮廓上的特征点分成不同的类别，包括但不限于血管边缘点、血管交叉点。3.如权利要求1所述的一种基于形态学和时序预测的血管特征提取及分析设备，其特征在于，所述时序预测模块采用LSTM模型。4.如权利要求1所述的一种基于形态学和时序预测的血管特征提取及分析设备，其特征在于，血管特征点包括：血管边缘点、血管交叉点。5.如权利要求2所述的一种基于形态学和时序预测的血管特征提取及分析设备，其特征在于，所述预处理包括：依次完成二值化、均值滤波与高斯滤波的图像预处理，然后再使用ResUNet神经网络进行血管图像的语义分割。6.如权利要求1所述的一种基于形态学和时序预测的血管特征提取及分析设备，其特征在于，所述血管影像包括DSA影像。7.一种基于形态学和时序预测的血管特征提取及分析方法，其特征在于，包括以下步骤：S1、系统导入获取的血管影像；S2、用SIFT算法从血管影像中提取特征点；S3、将步骤S2提取的特征点作为CNN模型的输入，通过训练CNN模型，将血管轮廓上的特征点分成不同的类别；S4、使用LSTM模型对血管特征点进行时序预测；S5、预测分析的结果和存储的知识图谱，给出结果建议。8.如权利要求1所述的一种基于形态学和时序预测的血管特征提取及分析方法，其特征在于，步骤S3中，利用CNN实现对SIFT提取出的特征点进行分类，包括以下步骤：S31、数据准备，从血管轮廓图像中使用SIFT算法提取特征点，并将这些点保存到文件中，每个特征点应该包含其位置、尺度和方向，以及对应的特征描述符向量；S32、数据预处理，将保存特征点的文件加载到内存中，并根据需要对数据进行预处理，将图片的大小调整至合适大小；S33、数据划分，将数据分成训练集和测试集；S34、构建CNN模型；S35、模型训练，使用训练数据训练CNN模型，在每个训练批次结束后，评估模型在测试
数据上的性能，并记录训练误差和测试误差；S36、模型评估，使用测试数据评估训练后的CNN模型的性能，使用Accuracy进行评估，Accuracy定义如下：其中约定：TP(True Positives)：真正例，预测为正例而且实际上也是正例；FP(False Positiv...

【专利技术属性】
技术研发人员：齐鹏，姚天亮，王玉，
申请(专利权)人：同济大学，
类型：发明
国别省市：