本发明专利技术提供一种血管狭窄分级方法、装置设备及存储介质，其中血管狭窄分级方法，包括：获取血管图像数据并建立训练血管图像数据集；将训练血管图像数据集输入至预设的神经网络中，生成预测血管结构图像，并基于预测血管结构图像控制神经网络对训练血管图像数据集进行预测，得到训练血管图像数据集对应的预测血管图像数据集；根据训练血管图像数据集和预测血管图像数据集，对神经网络进行训练，得到血管狭窄分级模型；当获取当前血管图像数据时，基于血管狭窄分级模型，得到对应的当前预测血管图像数据。本发明专利技术能够提高对血管狭窄存在的辨别准确性和狭窄量化的准确性，提供更精细和更具临床意义的狭窄程度数据。
【技术实现步骤摘要】
所属的技术人员能够理解，本专利技术的各个方面可以实现为系统、方法或程序产品。因此，本专利技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。下面参照图8来描述根据本专利技术的这种实施方式的电子设备600。图8显示的电子设备600仅仅是一个示例，不应对本专利技术实施例的功能和使用范围带来任何限制。如图8所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述方法部分中描述的根据本专利技术各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。本专利技术的血管狭窄分级设备，通过在传统的深度学习算法中引入frangi滤波和像素阈值处理，辅助神经网络模型预测，能够在提高算法的适应性和效率、降低算法复杂度的同时，提高对血管狭窄存在的辨别准确性以及狭窄量化的准确性；此外，将血管狭窄程度按照更具有临床意义的方式进行分级，提供更精细的狭窄程度数据，有助于跟踪疾病的演变，促进更好的临床决策。基于同一专利技术构思，如图9所示，本专利技术另一个方面还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现血管狭窄分级方法的步骤。在一些可能的实施方式中，本专利技术的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本专利技术各种示例性实施方式的步骤。如图9所示，描述了根据本专利技术的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本专利技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本专利技术操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。本专利技术的计算机可读存储介质，通过在传统的深度学习算法中引入frangi滤波和像素阈值处理，辅助神经网络模型预测，能够在提高算法的适应性和效率、降低算法复杂度的同时，提高对血管狭窄存在的辨别准确性以及狭窄量化的准确性；此外，将血管狭窄程度按照更具有临床意义的方式进行分级，提供更精细的狭窄程度数据，有助于跟踪疾病的演变，促进更好的临床决策。综上，本专利技术的血管狭窄分级方法、装置、设备以及存储介质，通过在传统的深度学习算法中引入frangi滤波和像素阈值处理，辅助神经网络模型预测，能够在提高算法的适应性和效率、降低算法复杂度的同时，提高对血管狭窄存在的辨别准确性以及狭窄量化的准确性；此外，将血管狭窄程度按照更具有临床意义的方式进行分级，提供更精细的狭窄程度数据，有助于跟踪疾病的演变，促进更好的临床决策。以上内容是结合具体的优选实施方式对本专利技术所作的进一步详细说明，不能认定本专利技术的具体实施只局限于这些说明。对于本专利技术所属的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本专利技术的保护范围。
技术介绍
1、目前，冠状动脉疾病已成为全球死亡的主要原因。这种疾病主要是由于粥样斑块在冠状动脉中积聚，导致冠状动脉狭窄阻塞而引起的。
2、x射线冠状动脉造影被公认为临床诊断冠状动脉疾病的标准。这种方法通过评估冠状动脉的形态特征(包括直径、分叉角度和弯曲度)，提供了可能发生冠状动脉疾病的早期风险提示。然而，动脉造影分析面对着不同的挑战，例如复杂的血管形态、不一致的对比度和显影情况。这些困难可能会妨碍冠状动脉本文档来自技高网...
【技术保护点】
1.一种血管狭窄分级方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的血管狭窄分级方法，其特征在于，所述获取血管图像数据，并根据所述血管图像数据建立训练血管图像数据集，包括以下步骤：
3.根据权利要求2所述的血管狭窄分级方法，其特征在于，所述血管图像可以经由以下任意一种方式获得：计算机断层扫描、冠状动脉血管造影或者磁共振血管造影。
4.根据权利要求2所述的血管狭窄分级方法，其特征在于，所述狭窄标签根据血管狭窄程度的不同，由轻至重依次包括：轻度狭窄、严重狭窄、重度狭窄、次完全闭塞和完全闭塞五个等级。
5.根据权利要求1所述的血管狭窄分级方法，其特征在于，所述将所述训练血管图像数据集输入至预设的神经网络中，生成预测血管结构图像，包括以下步骤：
6.根据权利要求5所述的血管狭窄分级方法，其特征在于，所述基于所述预测血管结构图像控制所述神经网络对所述训练血管图像数据集进行预测，得到所述训练血管图像数据集对应的预测血管图像数据集，包括以下步骤：
7.根据权利要求1所述的血管狭窄分级方法，其特征在于，所述根据所述训练血管图像数据集和所述预测血管图像数据集，对所述神经网络进行参数调整，直至所述神经网络收敛，得到血管狭窄分级模型，包括以下步骤：
8.一种血管狭窄分级装置，用于实现权利要求1所述的血管狭窄分级方法，其特征在于，包括：
9.一种血管狭窄分级设备，其特征在于，包括：
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现权利要求1至7任意一项所述的血管狭窄分级方法的步骤。
...
【技术特征摘要】
1.一种血管狭窄分级方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的血管狭窄分级方法，其特征在于，所述获取血管图像数据，并根据所述血管图像数据建立训练血管图像数据集，包括以下步骤：
3.根据权利要求2所述的血管狭窄分级方法，其特征在于，所述血管图像可以经由以下任意一种方式获得：计算机断层扫描、冠状动脉血管造影或者磁共振血管造影。
4.根据权利要求2所述的血管狭窄分级方法，其特征在于，所述狭窄标签根据血管狭窄程度的不同，由轻至重依次包括：轻度狭窄、严重狭窄、重度狭窄、次完全闭塞和完全闭塞五个等级。
5.根据权利要求1所述的血管狭窄分级方法，其特征在于，所述将所述训练血管图像数据集输入至预设的神经网络中，生成预测血管结构图像，包括以下步骤：
...
【专利技术属性】
技术研发人员：张俊峰，张仕晟，顾俊，毛承誉，
申请(专利权)人：上海交通大学医学院附属第九人民医院，
类型：发明
国别省市：
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。