【技术实现步骤摘要】
一种基于深度学习的冠状动脉造影图分割的优化方法
[0001]本专利技术涉及数据增强
,尤其涉及一种基于深度学习的冠状动脉造影图分割的优化方法
。
技术介绍
[0002]冠状动脉造影图
(DSA)
广泛应用于诊断和治疗血管疾病,如动脉粥样硬化和动脉瘤
。DSA
图像中的动脉结构复杂多变,传统的手工分割方法往往需要大量人工参与,费时费力且容易受到主观因素的影响
。
因此,基于深度学习的自动分割方法成为一种备受关注的研究方向
。
技术实现思路
[0003]基于此,本专利技术有必要提供一种基于深度学习的冠状动脉造影图分割的优化方法,以解决至少一个上述技术问题
。
[0004]为实现上述目的,一种基于深度学习的冠状动脉造影图分割的优化方法,包括以下步骤:
[0005]步骤
S1
:获取历史冠状动脉数据,对历史冠状动脉数据进行动脉异常分析,从而获得历史冠状动脉异常数据;
[0006]步骤
S2
:对历史冠状动脉异常数据进行图像合成,从而获得冠状动脉造影图像;
[0007]步骤
S3
:通过数据增强方法对冠状动脉造影图像进行数据增强处理,从而获得增强冠状动脉造影图;
[0008]步骤
S4
:对增强冠状动脉造影图像进行边界标注,从而获得冠状动脉边界数据集;
[0009]步骤
S5
:对冠状动脉边界数据集进行缩放处 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的冠状动脉造影图分割的优化方法,其特征在于,包括以下步骤:步骤
S1
:获取历史冠状动脉数据,对历史冠状动脉数据进行动脉异常分析,从而获得历史冠状动脉异常数据;步骤
S2
:对历史冠状动脉异常数据进行图像合成,从而获得冠状动脉造影图像;步骤
S3
:通过数据增强方法对冠状动脉造影图像进行数据增强处理,从而获得增强冠状动脉造影图;步骤
S4
:对增强冠状动脉造影图像进行边界标注,从而获得冠状动脉边界数据集;步骤
S5
:对冠状动脉边界数据集进行缩放处理并构建冠状动脉造影图像分割模型;步骤
S6
:获取待分割冠状动脉造影图像,利用冠状动脉造影图像分割模型对待分割冠状动脉造影图像进行图像分割,从而获得冠状动脉造影图分割图像;步骤
S7
:对冠状动脉造影图分割图像进行参数化描述,从而获得优化冠状动脉造影图分割图像
。2.
根据权利要求1所述的方法,其特征在于,步骤
S1
包括以下步骤:步骤
S11
:获取历史冠状动脉数据;步骤
S12
:对历史冠状动脉数据进行结构化数据提取以及图像提取,从而获得历史冠状动脉结构化数据以及历史冠状动脉图像;步骤
S13
:对历史冠状动脉结构化数据进行结构化冠状动脉异常分析,从而获得历史冠状动脉结构化异常数据;步骤
S14
:对历史冠状动脉图像进行图像冠状动脉异常分析,从而获得历史冠状动脉异常图像;步骤
S15
:将历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行数据合并,从而获得历史冠状动脉异常数据
。3.
根据权利要求2所述的方法,其特征在于,步骤
S13
具体为:步骤
S131
:对历史冠状动脉结构化数据进行统计分析,从而获得高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据;步骤
S132
:对历史冠状动脉结构化数据进行结构化潜在异常分析,从而获得潜在冠状动脉异常结构化数据;步骤
S133
:对潜在冠状动脉异常结构化数据
、
高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据进行时序合并,从而获得历史冠状动脉结构化异常数据
。4.
根据权利要求3所述的方法,其特征在于,步骤
S132
具体为:通过冠状动脉结构化潜在异常聚类算法对历史冠状动脉结构化数据进行聚类计算,从而获得潜在冠状动脉异常结构化数据;其中,冠状动脉结构化潜在异常聚类算法的函数公式具体为:其中
f
为冠状动脉结构化潜在异常得分,
x,y,z
为冠状动脉在三维空间中的坐标,
t
为时间,
n
为冠状动脉的总数,
i
为冠状动脉的序号,
a
i
为第
i
个冠状动脉的长度,
b
i
为第
i
个冠状动脉的宽度,
c
i
为第
i
个冠状动脉的厚度,
θ
i
为第
i
个冠状动脉与水平面的夹角,
π
为圆周率
。
5.
根据权利要求2所述的方法,其特征在于,步骤
S14
包括以下步骤:步骤
S141
:对历史冠状动脉图像进行统计分析,从而获得高频冠状动脉异常图像以及低频冠状动脉异常图像;步骤
S142
:对历史冠状动脉图像...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。