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

本发明专利技术涉及数据增强技术领域，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理并构建冠状动脉造影图像分割模型；
[0010]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；
[0011]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
。
[0012]本专利技术通过医疗云平台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；通过对大量患者数据的统计和分析，可以揭示不同疾病类型的特征和规律，推动疾病的深入研究和理解，帮助进一步改进诊断技术和治疗方法
。
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；通过图像合成，可以将历史冠状动脉数据转化为冠状动脉造影图像，从而丰富数据的形式和内容
。
冠状动脉造影图像是一种可视化的表达方式，能够为医生提供更直观
、
详细的血管结构信息，有助于更准确地诊断和治疗决策
。
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；数据增强可以通过应用不同的变换和处理方法，在原始图像上生成多样化的新图像
。
这些增强后的图像可以包括亮度调整
、
对比度增强
、
噪声添加
等像素级别的变换
。
通过增加图像的多样性，可以提供更丰富的训练数据，增强模型的鲁棒性和泛化能力
。
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；边界标注的冠状动脉数据集可以用于训练和评估边界检测算法
。
这些算法可以自动地识别和提取冠状动脉的边界，从而在大规模数据上快速
、
准确地完成任务
。
通过使用标注的边界数据集，可以训练出更精确和可靠的边界检测算法，提高对冠状动脉的识别和定位准确性
。
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；通过对冠状动脉边界数据集进行缩放处理，可以将数据集中的图像统一到相同的尺寸或分辨率
。
这样做可以避免图像尺寸差异对模型性能的影响，并提高模型的适用性
。
统一尺寸和分辨率的数据集有助于训练出更稳定
、
鲁棒性更强的冠状动脉分割模型
。
同时通过对图像进行缩放处理，可以降低图像的分辨率和尺寸，从而减少模型训练和推理过程中的计算复杂度，提高模型的效率和实用性
。
缩放处理可以模拟不同分辨率和尺寸的图像情况，从而增强模型对于不同图像数据的泛化能力
。
通过缩放处理和构建模型，可以为冠状动脉分割任务的实际应用提供自动化的解决方案，提高工作效率和准确性
。
通过医疗云平台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；冠状动脉造影图像分割模型经过大规模训练和优化，具有较高的准确性
。
它可以捕捉图像中的细微纹理和结构信息，有效区分血管和周围组织的边界
。
相较于传统的手动分割方法，使用分割模型能够获得更准确
、
更一致的分割结果，减少了人为错误的可能性
。
冠状动脉造影图像分割的快速自动化，使医生能够更迅速地获取血管结构的准确分割结果，节约了诊断和治疗的时间
。
医生可以更快速地分析图像，发现可能存在的异常或病变，并及时制定治疗方案
。
这有助于提高临床决策的效率和准确性，以便更及时地进行干预和治疗
。
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
。
通过对分割图像进行参数化描述，可以识别出可能存在的分割错误或不足之处
。
这些信息可以用于优化分割算法，改进模型的性能和准确性
。
参数化描述提取的定量参数和特征可以用于支持临床决策
。
例如，血管直径
、
弯曲程度
、
总长度等参数可以提供关于血管结构和功能的信息，有助于评估血管病变的严重程度和疾病进展
。
这些信息可以帮助医生制定更精确的诊断和治疗计划
。
[0013]可选地，步骤
S2
具体为：
[0014]步骤
S21
：对历史冠状动脉异常数据进行结构化异常数据提取以及异常图像提取，从而获得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；
[0015]步骤
S22
：通过形态学分析法对历史冠状动脉结构化异常数据进行特征提取，从而获得冠状动脉异常特征；
[0016]步骤
S23
：通过曲线拟合法对冠状动脉异常特征构建冠状动脉模拟数学模型；
[0017]步骤
S24
：通过数据插值法对冠状动脉异常特征进行数据插值，从而获得冠状动脉空间数据；
[0018]步骤
S25
：通过纹理生成技术对冠状动脉异常特征进行纹理生成，从而获得冠状动脉纹理数据；
[0019]步骤
S26
：通过物理模拟技术对冠状动脉异常特征进行生理模拟，本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：侯方杰，耿强，王正忠，
申请(专利权)人：青岛市市立医院，
类型：发明
国别省市：