一种基于YOLOv5-LA的冠脉CTA狭窄检测方法技术

一种基于YOLOv5

【技术实现步骤摘要】
一种基于YOLOv5
‑
LA的冠脉CTA狭窄检测方法


[0001]本专利技术涉及医学图片目标检测
，具体涉及一种基于YOLOv5
‑
LA的冠脉CTA狭窄检测方法。

技术介绍

[0002]CTA是一种无创技术，可以准确诊断冠状动脉狭窄。在实际应用中，由于图片的复杂性、诊断者的经验差异和大量阅片工作量，人工检测血管狭窄非常耗时且效率低下。因此，使用人工智能辅助筛查可以提高工作效率。YOLOv5是一种人工智能算法，通过对医学图片数据进行训练，可以自动识别冠状动脉狭窄部位。然而，在实际应用中，其精度和效率仍有提高的空间。由于医学图像分辨率较高且YOLOv5模型较为复杂，运行效率不高，因此需要特定的算法进行处理和优化。

技术实现思路

[0003]本专利技术为了克服以上技术的不足，提供了一种使用更轻量的LA网络替换YOLOv5主干特征提取网络C3，实现网络模型的轻量化的冠脉CTA狭窄检测方法。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]一种基于YOLOv5
‑
LA的冠脉CTA狭窄检测方法，包括如下步骤：
[0006]a)将冠状动脉CTA图片灰度化处理后进行缩放处理，得到图片D，D∈R
C
×
H
×
W
，R为实数空间，C为图片的通道数，H为图片的高度，W为图片的宽度；
[0007]b)将图片D依次输入到卷积层、BN层中，输出得到特征图D1；/>[0008]c)建立轻量级的LA网络，将特征图D1输入到轻量级的LA网络中，输出得到张量D1_LA1；
[0009]d)将张量D1_LA1输入到卷积层中，输出得到特征图D2，将特征图D2替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA2；
[0010]e)将张量D1_LA2输入到卷积层中，输出得到特征图D3，将特征图D3替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA3；
[0011]f)将张量D1_LA3入到卷积层中，输出得到特征图D4；
[0012]g)将特征图D4输入到YOLOv5网络中的SPP模块中，得到特征图D4_SPP；
[0013]h)将特征图D4_SPP替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D4_LA1，将张量D4_LA1输入到卷积层中，输出得到特征图D5；
[0014]i)将特征图D5输入到上采样层中，输出得到特征图D5
′
，将特征图D5
′
与张量D1_LA3通过concat()函数进行融合操作，得到融合的特征图D1_Concat1；j)将特征图D1_Concat1替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA5，得到张量D1_LA5输入到卷积层中，输出得到特征图D6；k)将特征图D6输入到上采样层中，输出得到特征图D6
′
，将特征图D6
′
与张量D1_LA2通过concat()函数进行融合操作，得到融合的特征图D1_Concat2；
[0015]l)将特征图D1_Concat2替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA6，将张量D1_LA6输入到Yolov5网络的头部网络Head中，输出得到预测结果Head1；
[0016]m)将张量D1_LA6输入到卷积层中，输出得到特征图D1_LA6
′
，将特征图D1_LA6
′
与特征图D6通过concat()函数进行融合操作，得到融合的特征图D1_Concat3，将融合的特征图D1_Concat3替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA7，将将张量D1_LA7输入到Yolov5网络的头部网络Head中，输出得到预测结果Head2；
[0017]n)将张量D1_LA7输入到卷积层中，输出得到特征图D1_LA7
′
，将特征图D1_LA7
′
与特征图D5通过concat()函数进行融合操作，得到融合的特征图D1_Concat4，将融合的特征图D1_Concat4替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA8，将将张量D1_LA8输入到Yolov5网络的头部网络Head中，输出得到预测结果Head3；
[0018]o)将预测结果Head1、预测结果Head2、预测结果Head3通过concat()函数进行融合操作后输入到全连接层中，输出得到预测结果Result，预测结果Result为0
‑
1之间分布，当预测结果Result大于等于0.5时定义为冠脉狭窄。
[0019]优选的，步骤a)中将灰度化后的冠状动脉CTA图片尺寸缩放为640
×
640。
[0020]优选的，步骤b)中卷积层的卷积核大小为3
×
3。
[0021]进一步的，步骤c)包括如下步骤：
[0022]c
‑
1)轻量级的LA网络由第一卷积层、W
‑
Mish函数、第一深度可分离卷积层、第二深度可分离卷积层、第二卷积层、ECA模块、第三卷积层构成；
[0023]c
‑
2)将特征图D1输入到轻量级的LA网络的第一卷积层中，输出得到特征图D1
′
；
[0024]c
‑
3)将特征图D1
′
通过W
‑
Mish函数利用公式D1_1＝D1
′
*tanh(ln(1+e
D1
′
))计算得到特征图D1_1，式中e为自然常数；
[0025]c
‑
4)将特征图D1_1输入到轻量级的LA网络的第一深度可分离卷积层中，输出得到H
×
W个大小为1
×
1的矩阵D1_1_slice1；
[0026]c
‑
5)将各个矩阵D1_1_slice1输入到轻量级的LA网络的第二深度可分离卷积层中，输出得到H
×
W个大小为1
×
1的矩阵D1_1_slicel2；
[0027]c
‑
6)将各个矩阵D1_1_slicel2输入到轻量级的LA网络的第二卷积层中，输出得到特征图D1_2；
[0028]c
‑
7)将特征图D1进行残差连接操作后得到特征图D1_residual，将特征图D1_residual与特征图D1_2进行相加操作，得到特征图D1_out1；
[0029]c
‑
8)轻量级的LA网络的ECA模块由全局平均池化层、全连接层、Sigmoid函数层、一维卷积层构成，将特征图D1_out1输入到ECA模块的全局平均池化层中，输出得到特征图D1_out1_gap，将特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5
‑
LA的冠脉CTA狭窄检测方法，其特征在于，包括如下步骤：a)将冠状动脉CTA图片灰度化处理后进行缩放处理，得到图片D，D∈R
C
×
H
×
W
，R为实数空间，C为图片的通道数，H为图片的高度，W为图片的宽度；b)将图片D依次输入到卷积层、BN层中，输出得到特征图D1；c)建立轻量级的LA网络，将特征图D1输入到轻量级的LA网络中，输出得到张量D1_LA1；d)将张量D1_LA1输入到卷积层中，输出得到特征图D2，将特征图D2替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA2；e)将张量D1_LA2输入到卷积层中，输出得到特征图D3，将特征图D3替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA3；f)将张量D1_LA3入到卷积层中，输出得到特征图D4；g)将特征图D4输入到YOLOv5网络中的SPP模块中，得到特征图D4_SPP；h)将特征图D4_SPP替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D4_LA1，将张量D4_LA1输入到卷积层中，输出得到特征图D5；i)将特征图D5输入到上采样层中，输出得到特征图D5
′
，将特征图D5
′
与张量D1_LA3通过concat()函数进行融合操作，得到融合的特征图D1_Concat1；j)将特征图D1_Concat1替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA5，得到张量D1_LA5输入到卷积层中，输出得到特征图D6；k)将特征图D6输入到上采样层中，输出得到特征图D6
′
，将特征图D6
′
与张量D1_LA2通过concat()函数进行融合操作，得到融合的特征图D1_Concat2；l)将特征图D1_Concat2替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA6，将张量D1_LA6输入到Yolov5网络的头部网络Head中，输出得到预测结果Head1；m)将张量D1_LA6输入到卷积层中，输出得到特征图D1_LA6
′
，将特征图D1_LA6
′
与特征图D6通过concat()函数进行融合操作，得到融合的特征图D1_Concat3，将融合的特征图D1_Concat3替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA7，将将张量D1_LA7输入到Yolov5网络的头部网络Head中，输出得到预测结果Head2；n)将张量D1_LA7输入到卷积层中，输出得到特征图D1_LA7
′
，将特征图D1_LA7
′
与特征图D5通过concat()函数进行融合操作，得到融合的特征图D1_Concat4，将融合的特征图D1_Concat4替代步骤c)中的特征图D1后重复执行步骤c)，得到张量D1_LA8，将将张量D1_LA8输入到Yolov5网络的头部网络Head中，输出得到预测结果Head3；o)将预测结果Head1、预测结果Head2、预测结果Head3通过concat()函数进行融合操作后输入到全连接层中，输出得到预测结果Result，预测结果Result为0
‑
1之间分布，当预测结果Result大于等于0.5时定义为冠脉狭窄。2.根据权利要求1所述的基于YOLOv5
‑
LA的冠脉CTA狭窄检测方法，其特征在于：步骤a)中将灰度化后的冠状动脉CTA图片尺寸缩放为640
×
640。3.根据权利要求1所述的基于YOLOv5
‑
LA的冠脉CTA狭窄检测方法，其特征在于：步骤b)中卷积层的卷积核大小为3
×
3。4.根据权利要求1所述的基于YOLOv5
‑
LA的冠脉CTA狭窄检测方法，其特征在于，步骤c)包括如下步骤：c
‑
1)轻量级的LA网络由第一卷积层、W
‑
Mish函数、第一深度可分离卷积层、第二深度可
分离卷积层...

【专利技术属性】
技术研发人员：王英龙，尹允杰，李金宝，舒明雷，陈永健，刘照阳，周书旺，徐鹏摇，
申请(专利权)人：齐鲁工业大学山东省科学院青岛海信医疗设备股份有限公司，
类型：发明
国别省市：