【技术实现步骤摘要】
本专利技术属于深度学习、医学影像处理等领域，涉及医学影像数据增强技术、自监督学习技术、知识蒸馏技术以及医学影像分类技术，特别涉及一种低剂量ct的医学影像分类方法、用途、设备及存储介质。
技术介绍
1、目前，随着社会经济的持续发展以及国民生活方式的显著改变，冠心病等心脑血管疾病的发病率在逐年攀升，导致相关的疾病及经济负担不断加重。体检者通常不会出现长时疼痛等临床症状，仅依赖体检者症状进行判断病变程度往往会造成高危患者的漏诊。因此，对疑似心脑血管疾病体检者的精准筛查具有重大的临床意义和社会效益。
2、冠心病精准诊断依赖于冠状动脉造影(invasive coronary angiography,ica)以及冠状动脉ct造影(coronary computed tomographic angiography,ccta)。ica供了高分辨率的影像，能够准确测量冠状动脉的狭窄和阻塞情况，是冠心病的确诊金标准。然而ica是侵入性检查，风险高，因此不适合用于疑似冠心病体检者的筛查。ccta虽然是一种无创性的医学影像检查技术，能够提供三维图像，帮助医生观察冠状动脉的狭窄情况，但是需要体检者注射造影剂以增强血管的可见性，这可能会引发体检者的其他疾病风险，如造影剂相关过敏和肾损伤。相比于ica与ccta，非增强胸部ct(noncontrast chest ct,ncct)具有无需造影剂、辐射剂量低、快速和便捷的优点，并且包含整个心脏及其周边相关组织结构的全部影像学信息。因此，充分利用ncct影像对疑似冠心病体检者进行前期筛查，具有重要的临
3、随着计算机技术的飞速发展，深度学习在自然图像处理领域取得了巨大的进展，其中大规模数据集如imagenet等发挥了重要的作用。这些数据为深度学习提供了丰富的训练样本，促进了预训练模型的不断优化，使其能够更好地适应各种下游任务。然而，医学影像与自然图像存在显著差异。相比与自然图像，医学影像更为复杂，包含了精细的解剖结构，病变迹象和临床特征。这些因素需要深度学习模型具备专业的医学知识，使得基于自然图像的预训练模型并不适合处理医学影像。此外，医学数据的稀缺性也是一大挑战，因为并没有公开的大规模医学影像数据集可以用于模型的预训练。因此，如何高效地使用医学影像数据构建高质量的预训练模型，一直以来都是研究的热点问题。由于ncct的辐射剂量低，并且不使用造影剂，使得其图像分辨率相对较低，对于血管以及周围组织的解剖学特征显示的不够明显，特别是细微的冠状动脉病变，人眼对此难以准确辨认。这一问题给深度学习模型的学习带来了又一大挑战，因为模型难以直接通过ncct捕获其中精细的解剖学特征。
技术实现思路
1、本专利技术为解决公知技术中存在的技术问题而提供一种低剂量ct的医学影像分类方法、用途、设备及存储介质。
2、本专利技术为解决公知技术中存在的技术问题所采取的技术方案是：
3、一种低剂量ct的医学影像分类方法，其特征在于，包括如下步骤：
4、步骤1，收集人体同一部位的ica影像、ccta影像及ncct影像；将ica影像作为标注参考影像对ccta影像及ncct影像进行标注；
5、步骤2，采用数据增强及自监督学习的方法构建预训练模型；
6、步骤3，构建教师-学生网络的双流网络架构，教师网络用于执行ccta影像的分类任务，学生网络用于执行ncct影像的分类任务；使用预训练模型的参数分别对教师网络和学生网络进行初始化；
7、步骤4，将来自同一人体的ccta影像输入到教师网络，同时将来自同一人体的ncct影像输入到学生网络，对教师-学生网络进行训练，并通过蒸馏损失将知识从教师网络传递给学生网络；
8、步骤5，在教师-学生网络训练完成后，移除教师网络，仅使用学生网络对影像数据进行分类；将ncct影像输入到学生网络，得到ncct影像的分类。
9、进一步地，步骤2中，首先对原始的ccta影像进行数据增强操作，然后基于原始的ccta影像以及数据增强处理后对应得到的数据，通过执行遮挡体积修复、图像旋转角度预测以及对比编码三项代理任务进行自监督学习，来构建预训练模型。
10、进一步地，对原始的ccta影像进行数据增强操作的方法，包括如下步骤：
11、步骤a1，构建数据增强操作空间；该空间包括如下数据增强操作类型：亮度、对比度、色调分布、锐度、高斯模糊、高斯噪声、旋转、水平翻转、垂直翻转、缩放、x轴平移、y轴平移、x轴剪切以及y轴剪切；
12、步骤a2，从构建的数据增强操作空间中随机采样m个数据增强操作，其中m的取值为{2,3}；
13、步骤a3，将所选取的m个数据增强操作打乱顺序；
14、步骤a4，随机为m个数据增强操作生成操作幅度与概率；
15、步骤a5，将最终得到的数据增强操作依次作用于原始的ccta影像；
16、步骤a6，将上述步骤执行5次，得到5倍于原始医学影像的数据增强图像。
17、进一步地，执行遮挡体积修复、图像旋转角度预测以及对比编码三项代理任务进行自监督学习的方法，包括如下步骤：
18、步骤b1，根据解剖学的感兴趣区域，对输入的ccta影像进行裁剪，使得裁剪后的子体积包含待分析对象及其周围相关的组织；
19、步骤b2，对得到的子体积进行随机遮挡和旋转，旋转的角度包括0°、90°、180°、270°；
20、步骤b3，将得到的子体积切分成图像块序列，数据的维度变换如下：
21、
22、其中，n＝h×w×d/p3；
23、式中：
24、x为三维子体积；
25、xp为图像块序列；
26、h,w,d对应为子体积三个维度的分辨率；
27、p,p,p对应为每个图像块三个维度的分辨率；
28、c为通道数；
29、n为图像块的数量；
30、步骤b4，对图像块序列加入位置编码，随后输入到特征提取器中；
31、步骤b5，通过同时执行遮挡体积修复任务、图像旋转角度预测任务以及对比编码任务来挖掘解剖学特征。
32、进一步地，步骤b5中，在执行遮挡体积修复任务时，随机地遮盖子体积，然后在特征提取器后面附加一个转置卷积层作为重建头，并将重建头输出定义为重建损失linpaint计算公式如下：
33、
34、在执行图像旋转角度预测任务时，随机地将子体积旋转某个角度类别，然后在特征提取器后附加一个全连接层来预测旋转类别；分类损失函数采用交叉熵损失，分类损失lrotation计算公式如下：
35、
36、式中：
37、为第r类预测类别；
38、yr为第r类真实类别；
39、r为类别的索引；
40、在执行对比编码任务时，在特征提取器后附加一个线性映射层以获得子体积在特征空间v中的本文档来自技高网...
【技术保护点】
1.一种低剂量CT的医学影像分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的低剂量CT的医学影像分类方法，其特征在于，步骤2中，首先对原始的CCTA影像进行数据增强操作，然后基于原始的CCTA影像以及数据增强处理后对应得到的数据，通过执行遮挡体积修复、图像旋转角度预测以及对比编码三项代理任务进行自监督学习，来构建预训练模型。
3.根据权利要求2所述的低剂量CT的医学影像分类方法，其特征在于，对原始的CCTA影像进行数据增强操作的方法，包括如下步骤：
4.根据权利要求2所述的低剂量CT的医学影像分类方法，其特征在于，执行遮挡体积修复、图像旋转角度预测以及对比编码三项代理任务进行自监督学习的方法，包括如下步骤：
5.根据权利要求3所述的低剂量CT的医学影像分类方法，其特征在于，步骤B5中，在执行遮挡体积修复任务时，随机地遮盖子体积，然后在特征提取器后面附加一个转置卷积层作为重建头，并将重建头输出定义为重建损失Linpaint计算公式如下：
6.根据权利要求1所述的低剂量CT的医学影像分类方法，其特征在于，步骤4
7.根据权利要求6所述的低剂量CT的医学影像分类方法，其特征在于，步骤4中，通过蒸馏损失将知识从教师网络传递给学生网络的方法，包括如下步骤：
8.一种如权利要求1至7任一所述的低剂量CT的医学影像分类方法的用途，其特征在于，该方法应用于冠状动脉影像的狭窄及阻塞状况的分类。
9.一种基于低剂量CT的医学影像分类设备，包括存储器和处理器，其特征在于，所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如权利要求1至7中任一项所述的低剂量CT的医学影像分类方法步骤。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的低剂量CT的医学影像分类方法步骤。
...【技术特征摘要】
1.一种低剂量ct的医学影像分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的低剂量ct的医学影像分类方法，其特征在于，步骤2中，首先对原始的ccta影像进行数据增强操作，然后基于原始的ccta影像以及数据增强处理后对应得到的数据，通过执行遮挡体积修复、图像旋转角度预测以及对比编码三项代理任务进行自监督学习，来构建预训练模型。
3.根据权利要求2所述的低剂量ct的医学影像分类方法，其特征在于，对原始的ccta影像进行数据增强操作的方法，包括如下步骤：
4.根据权利要求2所述的低剂量ct的医学影像分类方法，其特征在于，执行遮挡体积修复、图像旋转角度预测以及对比编码三项代理任务进行自监督学习的方法，包括如下步骤：
5.根据权利要求3所述的低剂量ct的医学影像分类方法，其特征在于，步骤b5中，在执行遮挡体积修复任务时，随机地遮盖子体积，然后在特征提取器后面附加一个转置卷积层作为重建头，并将重建头输出定义为重建损失linpaint计算公式如下：
6.根据权利要求1所述的低剂量ct...
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。