DSA图像前景特征增强方法及模块、狭窄病变检测装置制造方法及图纸

本申请提供一种DSA图像前景特征增强方法及模块、狭窄病变检测装置，方法包括：接收DSA图像的初始特征图，该初始特征图预先由Faster

【技术实现步骤摘要】
DSA图像前景特征增强方法及模块、狭窄病变检测装置


[0001]本申请涉及医学图像处理
，尤其涉及DSA图像前景特征增强方法及模块、狭窄病变检测装置。

技术介绍

[0002]卷积神经网络在自然图像处理领域取得的成功已经是有目共睹的，而基于卷积神经网络所拓展的方法及装置也被应用在医学图像领域，例如Faster
‑
RCNN(基于卷积神经网络的目标检测算法)，其优越的性能被医生们所信赖。
[0003]数字减影血管造影DSA(Digital subtraction angiography)图像，因其良好的实时性，优秀的分辨率和直观性，能够实现针对血管狭窄的定位测量，进而能够为各种介入治疗提供了必备条件。目前，为了在医学图像领域实现自动化的目标检测，已经在自然图像处理领域取得成功的卷积神经网络被广泛应用，例如基于卷积神经网络的目标检测算法Faster
‑
RCNN，其优越的性能被医生们所信赖。
[0004]然而，由于当前并没有能够针对DSA图像进行血管狭窄等目标检测的Faster
‑
RCNN算法，使得DSA图像在目标检测中的性能还没有被探索和报告过，DSA图像是在X射线的照射下，在血管中注入造影剂，让造影剂随血液的流动来反应血管的狭窄或者闭塞。由于血管粗细变化不均匀，成像质量浮动大，手术医生经验差距，快速且自动的在DSA图像中找到血管狭窄病变的位置仍是一个具有挑战性的问题。若仅是将DSA图像直接应用到Faster
‑
RCNN算法中，会导致Faster
‑
RCNN对目标区域的强调不够，对目标区域的特征挖掘不深，与图像背景一视同仁，从而损失性能，因此也就无法保证针对DSA图像的血管狭窄检测结果的准确性及有效性。

技术实现思路

[0005]鉴于此，本申请实施例提供了DSA图像前景特征增强方法及模块、狭窄病变检测装置，以消除或改善现有技术中存在的一个或更多个缺陷。
[0006]本申请的一个方面提供了一种DSA图像前景特征增强方法，包括：
[0007]接收DSA图像的初始特征图，该初始特征图预先由Faster
‑
RCNN网络自所述DSA图像中提取到；
[0008]采用通道注意力机制获取所述初始特征图对应的前景特征增强图，以使所述Faster
‑
RCNN网络基于该前景特征增强图对所述DSA图像进行血管狭窄位置定位。
[0009]在本申请的一些实施例中，所述采用通道注意力机制对所述初始特征图进行前景特征增强处理，得到对应的增强图像特征，包括：
[0010]基于通道注意力机制对所述初始特征图进行图像压缩和响应分布调整，并根据对应的响应分布调整结果和所述初始特征图生成对应的前景特征增强图。
[0011]在本申请的一些实施例中，所述基于通道注意力机制对所述初始特征图进行图像压缩和响应分布调整，并根据对应的响应分布调整结果和所述初始特征图生成对应的前景
特征增强图，包括：
[0012]将所述初始特征图输入预设的全局平均池化层，以在该全局平均池化层中基于通道注意力机制将所述初始特征图压缩为对应的目标向量；
[0013]将所述目标向量输入预设的全连接层，以该全连接层中对所述目标向量进行响应分布调整，得到作为响应分布调整结果的重响应算子；
[0014]基于所述重响应算子和所述初始特征图生成对应的前景特征增强图。
[0015]本申请的第二个方面提供了一种通道注意力模块，用于执行前述第一方面提供的DSA图像前景特征增强方法中的内容，所述通道注意力模块包括：
[0016]特征接收单元，用于接收DSA图像的初始特征图，该初始特征图预先由Faster
‑
RCNN网络自所述DSA图像中提取到；
[0017]特征增强单元，用于采用通道注意力机制获取所述初始特征图对应的前景特征增强图，以使所述Faster
‑
RCNN网络基于该前景特征增强图对所述DSA图像进行血管狭窄位置定位。
[0018]本申请的第三个方面提供了一种DSA图像中血管狭窄病变检测装置，包括：
[0019]图像接收模块，用于接收目标DSA图像；
[0020]模型预测模块，用于将所述目标DSA图像输入用于进行血管狭窄病变自动检测的Faster
‑
RCNN网络中，以使该用于进行血管狭窄病变自动检测的Faster
‑
RCNN网络自所述目标DSA图像提取到初始特征图之后，采用前述第一方面提供的DSA图像前景特征增强方法得到对应的前景特征增强图，再基于该前景特征增强图确定所述目标DSA图像中的血管狭窄位置和血管狭窄病变检测结果。
[0021]在本申请的一些实施例中，还包括：
[0022]训练集生成模块，用于根据各个DSA历史图像、各个DSA历史图像各自对应的血管狭窄位置标识和病变检测结果标识之间的对应关系，生成训练集，其中，所述病变检测结果标识包括：用于表示血管狭窄位置处发生病变的第一标识和用于表示血管狭窄位置处未发生病变的第二标识；
[0023]模型训练模块，用于采用Faster
‑
RCNN算法，基于所述训练集训练预设的深度学习模型，以得到对应的用于进行血管狭窄病变自动检测的Faster
‑
RCNN网络。
[0024]在本申请的一些实施例中，所述用于进行血管狭窄病变自动检测的Faster
‑
RCNN网络包括：
[0025]卷积层骨架，用于对输入的DSA图像进行特征提取，得到对应的初始特征图；
[0026]通道注意力模块，用于执行前述第一方面提供的DSA图像前景特征增强方法，得到所述DSA图像对应的前景特征增强图；
[0027]RPN网络，用于提取所述前景特征增强图中的候选区域，得到对应的候选区域位置数据；
[0028]感兴趣区域池化网络，用于根据所述通道注意力模块输出的所述前景特征增强图，以及，所述RPN网络输出的候选区域位置数据，提取所述候选区域对应的前景特征图；
[0029]分类器，用于基于所述前景特征图，采用预设的全连接层和候选框回归确定所述目标DSA图像中的血管狭窄位置和血管狭窄病变检测结果，其中，所述血管狭窄病变检测结果用于表示所述血管狭窄位置处是否发生病变。
[0030]在本申请的一些实施例中，所述卷积层骨架包括：ResNet50网络。
[0031]本申请的第四个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述第三个方面提供的所述DSA图像中血管狭窄病变检测装置的功能。
[0032]本申请的第五个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前述第三个方面提供的所述DSA图像中血管狭窄病变检测装置的功能。
...

【技术保护点】

【技术特征摘要】
1.一种DSA图像前景特征增强方法，其特征在于，包括：接收DSA图像的初始特征图，该初始特征图预先由Faster
‑
RCNN网络自所述DSA图像中提取到；采用通道注意力机制获取所述初始特征图对应的前景特征增强图，以使所述Faster
‑
RCNN网络基于该前景特征增强图对所述DSA图像进行血管狭窄位置定位。2.根据权利要求1所述的DSA图像前景特征增强方法，其特征在于，所述采用通道注意力机制对所述初始特征图进行前景特征增强处理，得到对应的增强图像特征，包括：基于通道注意力机制对所述初始特征图进行图像压缩和响应分布调整，并根据对应的响应分布调整结果和所述初始特征图生成对应的前景特征增强图。3.根据权利要求2所述的DSA图像前景特征增强方法，其特征在于，所述基于通道注意力机制对所述初始特征图进行图像压缩和响应分布调整，并根据对应的响应分布调整结果和所述初始特征图生成对应的前景特征增强图，包括：将所述初始特征图输入预设的全局平均池化层，以在该全局平均池化层中基于通道注意力机制将所述初始特征图压缩为对应的目标向量；将所述目标向量输入预设的全连接层，以该全连接层中对所述目标向量进行响应分布调整，得到作为响应分布调整结果的重响应算子；基于所述重响应算子和所述初始特征图生成对应的前景特征增强图。4.一种通道注意力模块，其特征在于，包括：特征接收单元，用于接收DSA图像的初始特征图，该初始特征图预先由Faster
‑
RCNN网络自所述DSA图像中提取到；特征增强单元，用于采用通道注意力机制获取所述初始特征图对应的前景特征增强图，以使所述Faster
‑
RCNN网络基于该前景特征增强图对所述DSA图像进行血管狭窄位置定位。5.一种DSA图像中血管狭窄病变检测装置，其特征在于，包括：图像接收模块，用于接收目标DSA图像；模型预测模块，用于将所述目标DSA图像输入用于进行血管狭窄病变自动检测的Faster
‑
RCNN网络中，以使该用于进行血管狭窄病变自动检测的Faster
‑
RCNN网络自所述目标DSA图像提取到初始特征图之后，采用如权利要求1至3任一项所述的DSA...

【专利技术属性】
技术研发人员：徐伟津，杨辉华，高峰，邓一鸣，刘文涛，言松林，王苇杭，
申请(专利权)人：首都医科大学附属北京天坛医院，
类型：发明
国别省市：