基于卷积神经网络的扫描图像分析系统及其方法技术方案

本申请涉及图像分析领域，其具体地公开了一种基于卷积神经网络的扫描图像分析系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出肺动脉CTA扫描图像中关于肺动脉的隐含特征，以此来进行冠状动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于胸痛三联征患者的早期治疗。胸痛三联征患者的早期治疗。胸痛三联征患者的早期治疗。

【技术实现步骤摘要】
基于卷积神经网络的扫描图像分析系统及其方法


[0001]本申请涉及图像分析领域，且更为具体地，涉及一种基于卷积神经网络的扫描图像分析系统及其方法。

技术介绍

[0002]胸痛三联征(chest pain triple
‑
rule
‑
out，TRO)主要表现为急性胸痛发作的3种疾病及并发症，临床上最常见的病因包括急性冠状动脉综合征(ACS)、肺动脉栓塞(PE)和胸腹主动脉夹层(AD)。
[0003]急性胸痛是急诊科及心血管内科最常见的疾病之一，起病很急，发病凶险可危及生命，临床症状主要表现为胸痛、呼吸困难和咯血等。然而，急性胸痛是临床上最常见的症状之一，是以胸痛为主要表现的一组异质性疾病群。不同病因导致的胸痛症状既相似，又有不同特征，具体可表现为不同部位、不同性质和不同程度的疼痛，且伴随症状亦可不同。因此，若仅凭临床症状及实验室检查难以及时确诊，而且实验室和超声等检查耗时长，不利于TRO早期诊断。不仅如此，常规的CT检查也只能满足单项的CTA检查，不能同时兼顾三种疾病，很容易忽略ACS、PE或AD其中一到两个疾病的检出，容易出现误诊或漏诊。
[0004]因此，期望一种优化的基于卷积神经网络的扫描图像分析系统，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于卷积神经网络的扫描图像分析系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出肺动脉CTA扫描图像中关于肺动脉的隐含特征，以此来进行冠状动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于胸痛三联征患者的早期治疗。
[0006]根据本申请的一个方面，提供了一种基于卷积神经网络的扫描图像分析系统，其包括：
[0007]图像采集模块，用于获取冠状动脉轴位CTA扫描图像；
[0008]图像预处理模块，用于对所述冠状动脉轴位CTA扫描图像进行图像预处理以得到预处理后冠状动脉轴位CTA扫描图像；
[0009]冠状动脉轴位图像特征提取模块，用于将所述预处理后冠状动脉轴位CTA扫描图像通过包含深浅特征融合模块的卷积神经网络模型以得到冠状动脉轴位CTA扫描特征图；
[0010]矩阵展开模块，用于将所述冠状动脉轴位CTA扫描特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个局部特征展开特征向量；
[0011]全局语义关联模块，用于将所述多个局部特征展开特征向量通过基于转换器的上下文编码器以得到多个上下文局部特征展开特征向量；
[0012]特征优化模块，用于对所述多个上下文局部特征展开特征向量进行特征优化以得
到多个优化上下文局部特征展开特征向量；
[0013]级联融合模块，用于将所述多个优化上下文局部特征展开特征向量进行级联以得到分类特征向量；以及
[0014]扫描结果检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示冠状动脉轴位CTA扫描结果是否正常。
[0015]根据本申请的另一方面，提供了一种基于卷积神经网络的扫描图像分析方法，其包括：
[0016]获取冠状动脉轴位CTA扫描图像；
[0017]对所述冠状动脉轴位CTA扫描图像进行图像预处理以得到预处理后冠状动脉轴位CTA扫描图像；
[0018]将所述预处理后冠状动脉轴位CTA扫描图像通过包含深浅特征融合模块的卷积神经网络模型以得到冠状动脉轴位CTA扫描特征图；
[0019]将所述冠状动脉轴位CTA扫描特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个局部特征展开特征向量；
[0020]将所述多个局部特征展开特征向量通过基于转换器的上下文编码器以得到多个上下文局部特征展开特征向量；
[0021]对所述多个上下文局部特征展开特征向量进行特征优化以得到多个优化上下文局部特征展开特征向量；
[0022]将所述多个优化上下文局部特征展开特征向量进行级联以得到分类特征向量；以及
[0023]将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示冠状动脉轴位CTA扫描结果是否正常。
[0024]与现有技术相比，本申请提供的一种基于卷积神经网络的扫描图像分析系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出肺动脉CTA扫描图像中关于肺动脉的隐含特征，以此来进行冠状动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于胸痛三联征患者的早期治疗。
[0025]根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
[0026]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0027]图1为根据本申请实施例的基于卷积神经网络的扫描图像分析系统的框图；
[0028]图2为根据本申请实施例的基于卷积神经网络的扫描图像分析系统的系统架构图；
[0029]图3为根据本申请实施例的基于卷积神经网络的扫描图像分析系统中卷积神经网络编码的流程图；
[0030]图4为根据本申请实施例的基于卷积神经网络的扫描图像分析系统中全局语义关联模块的框图；
[0031]图5为根据本申请实施例的基于卷积神经网络的扫描图像分析方法的流程图；
[0032]图6为根据本申请实施例的基于卷积神经网络的扫描图像分析系统的场景示意图。
具体实施方式
[0033]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0034]图1为根据本申请实施例的基于卷积神经网络的扫描图像分析系统的框图；图2为根据本申请实施例的基于卷积神经网络的扫描图像分析系统的系统架构图。如图1和图2所示，根据本申请实施例的基于卷积神经网络的扫描图像分析系统300，包括：图像采集模块310，用于获取冠状动脉轴位CTA扫描图像；图像预处理模块320，用于对所述冠状动脉轴位CTA扫描图像进行图像预处理以得到预处理后冠状动脉轴位CTA扫描图像；冠状动脉轴位图像特征提取模块330，用于将所述预处理后冠状动脉轴位CTA扫描图像通过包含深浅特征融合模块的卷积神经网络模型以得到冠状动脉轴位CTA扫描特征图；矩阵展开模块340，用于将所述冠状动脉轴位CTA扫描特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个局部特征展开特征向量；全局语义关联模块350，用于将所述多个局部特征展开特征向量通过基于转换器的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的扫描图像分析系统，其特征在于，包括：图像采集模块，用于获取冠状动脉轴位CTA扫描图像；图像预处理模块，用于对所述冠状动脉轴位CTA扫描图像进行图像预处理以得到预处理后冠状动脉轴位CTA扫描图像；冠状动脉轴位图像特征提取模块，用于将所述预处理后冠状动脉轴位CTA扫描图像通过包含深浅特征融合模块的卷积神经网络模型以得到冠状动脉轴位CTA扫描特征图；矩阵展开模块，用于将所述冠状动脉轴位CTA扫描特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个局部特征展开特征向量；全局语义关联模块，用于将所述多个局部特征展开特征向量通过基于转换器的上下文编码器以得到多个上下文局部特征展开特征向量；特征优化模块，用于对所述多个上下文局部特征展开特征向量进行特征优化以得到多个优化上下文局部特征展开特征向量；级联融合模块，用于将所述多个优化上下文局部特征展开特征向量进行级联以得到分类特征向量；以及扫描结果检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示冠状动脉轴位CTA扫描结果是否正常。2.根据权利要求1所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述冠状动脉轴位图像特征提取模块，用于：从所述卷积神经网络模型的浅层提取浅层特征图；从所述卷积神经网络模型的深层提取深层特征图；以及融合所述浅层特征图和所述深层特征图以得到所述冠状动脉轴位CTA扫描特征图；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。3.根据权利要求2所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述全局语义关联模块，包括：查询向量构造单元，用于将所述多个局部特征展开特征向量进行一维排列以得到全局特征向量；自注意单元，用于计算所述全局特征向量与所述多个局部特征展开特征向量中各个局部特征展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个局部特征展开特征向量中各个局部特征展开特征向量进行加权以得到所述多个上下文局部特征展开特征向量。4.根据权利要求3所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述特征优化模块，用于：通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合每个所述局部特征展开特征向量和每个所述上下文局部特征展开特征向量以得到所述多个优化上下文局部特征展开特征向量；
其中，所述融合公式为：其中，所述融合公式为：其中，V
1i
和V
2i
分别是所述局部特征展开特征向量中第i个局部特征展开特征向量和所述上下文局部特征展开特征向量中第i个上下文局部特征展开特征向量，D(V1,V2)为向量之间的距离矩阵，d(V1,V2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，和
⊙
分别表示特征向量的逐位置相加、相减和相乘，表示矩阵乘法，Mask(
·
)表示Mask函数，V
2i
'是所述多个优化上下文局部特征展开特征向量中第i个优化上下文局部特征展开特征向量。5.根据权利要求4所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述级联融合模块，用于：以如下级联公式将所述多个优化上下文局部特征展开特征向量进行级联以得到分类特征向量；其中，所述公式为：V＝Concat[V...

【专利技术属性】
技术研发人员：李辉，袁泽，李俊杰，万娜，
申请(专利权)人：新疆生产建设兵团医院，
类型：发明
国别省市：