【技术实现步骤摘要】
本专利技术主要涉及医学检测领域，尤其涉及一种基于迁移学习的冠状动脉血管分割的方法及装置。
技术介绍
1、目前，冠状动脉计算机断层扫描血管造影(ccta)能够获得心脏的切片图像，其在检测冠心病中起着至关重要的作用，它被越来越广泛地应用于冠状动脉狭窄诊断。从ccta扫描切片图像中提取冠状动脉是分析切片图像的关键步骤。传统的依赖于医学专家对冠状动脉图像进行视觉评估是一个主观性强、耗时、容易出错的过程。因此，临床医生十分希望能够实现冠状动脉自动分割，助力临床诊断。
2、传统的冠状动脉分割方法主要由有区域生长法、最短路径法、匹配滤波法等，随着ct机器和算力的不断发展，深度学习(deep learing)被应用于医学图像分析案例越来越多，它具有不依赖于用户、节省时间、有助于研究结果的可重复性的特点。利用深度学习的方法实现冠状动脉的准确分割和重建主要存在两个问题。一是建立含大量冠状动脉样本的数据集难度较大，冠状动脉图像存在稀缺性，获得地面真实的冠状动脉数据集需要耗费大量人力、财力。二是冠状动脉在ccta切片图中所占空间较小，采用卷积神经网络(rnn)对其进行分割容易造成模糊边界区难以分割的问题。
3、基于冠状动脉计算机断层扫描血管成像(ccta)利用卷积神经网络(rnn)分割、重建冠状动脉3d模型，不仅能够使得冠状动脉结构可视化，还能够基于流体动力学或机器学习方法计算血流储备分数(ffr)，有助于冠状动脉病变诊断。u-net是一种为医学图像分割任务设计的卷积神经网络，它能够通过跳跃连接，结合网络浅层信息，缓解网络上采样
4、现有u-net神经网络模型实现冠状动脉精确分割仍存在一定的问题：
5、冠状动脉图像属于临床数据，数据具有稀缺性；冠状动脉与背景分布严重不平衡；在u-net网络池化下采样过程中，由于冠状动脉目标较小，随着u型卷积神经网络层数的加深，深层特征会更加关注于高级语义信息而造成特征信息丢失，导致冠状动脉模糊边界区域难以分割，降低了冠状动脉分割的精度，并且算法对背景噪声区域敏感。
技术实现思路
1、鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于迁移学习的冠状动脉血管分割的方法及装置，包括：
2、一种基于迁移学习的冠状动脉血管分割的方法，包括：
3、获取第一样本数据和第二样本数据，并依据所述第一样本数据对第一神经网络进行预训练，使所述第一神经网络具备提取视觉特征信息的能力；
4、依据训练后的所述第一神经网络建立密集语义监督模块；
5、依据所述第一神经网络和所述密集语义监督模块生成第二神经网络，并依据所述第二样本数据对所述第二神经网络进行迁移学习，使所述第二神经网络具备冠状动脉血管分割能力；
6、获取目标图像，并依据经过迁移学习后的所述第二神经网络对所述目标图像进行分割得到目标冠状动脉血管分割数据。
7、进一步地，所述获取第一样本数据和第二样本数据，并依据所述第一样本数据对第一神经网络进行预训练，使所述第一神经网络具备提取视觉特征信息的能力的步骤，包括：
8、建立第一神经网络；其中，所述第一神经网络为u-net神经网络，包括收缩路径和扩展路径，所述收缩路径包括4个收缩路径块，每个所述收缩路径块包括2次3×3valid卷积、relu激活函数和1次下采样操作；所述扩展路径包括4个扩展路径块，每个所述扩展路径块包括2次3×3valid卷积、relu和1次上采样操作。
9、进一步地，所述依据所述第一神经网络和所述密集语义监督模块生成第二神经网络，并依据所述第二样本数据对所述第二神经网络进行迁移学习，使所述第二神经网络具备冠状动脉血管分割能力的步骤，包括：
10、将所述密集语义监督模块加入所述第一神经网络，生成第二神经网络；
11、依据所述第二样本数据对所述第二神经网络进行迁移训练；
12、通过所述密集语义监督模块进行对所述第二神经网络的训练结果进行校正。
13、进一步地，所述通过所述密集语义监督模块进行对所述第二神经网络的训练结果进行校正的步骤，包括：
14、依据所述第二神经网络中解码器第四层的特征图确定所述第二神经网络中的编码器第四层的通道数和尺寸；
15、将所述编码器第四层与所述第二神经网络的其他层编码器进行合并，使语义流对齐；
16、将语义流对齐后的所述编码器与所述编码器对应的特征图进行聚合，得到输出上采样的特征图；
17、当所述输出上采样的特征图与所述密集语义监督模块的预设尺寸相同时，通过反向传播调整所述第二神经网络的参数。
18、进一步地，还包括：
19、对所述第一样本数据和所述第二样本数据中的冠状动脉图像进行数据增强，使所述第一样本数据和所述第二样本数据为400×400像素的大小。
20、进一步地，所述获取目标图像，并依据经过迁移学习后的所述第二神经网络对所述目标图像进行分割得到目标冠状动脉血管分割数据的步骤，包括：
21、获取目标图像；
22、对所述目标图像进行预处理，得到预设像素值的目标图像；
23、依据所述第二神经网络对所述预设像素值的目标图像进行分割得到所述目标图像的冠状动脉血管分割数据。
24、进一步地，还包括：
25、依据预设条件对所述第二神经网络进行模型评估。
26、一种基于迁移学习的冠状动脉血管分割的装置，所述基于迁移学习的冠状动脉血管分割的装置实现上述任一项所述的基于迁移学习的冠状动脉血管分割的方法的步骤，包括：
27、预训练模块，用于获取第一样本数据和第二样本数据，并依据所述第一样本数据对第一神经网络进行预训练，使所述第一神经网络具备提取视觉特征信息的能力；
28、监督模块建立模块，用于依据训练后的所述第一神经网络建立密集语义监督模块；
29、迁移学习模块，用于所述第一神经网络和依据所述密集语义监督模块生成第二神经网络，并依据所述第二样本数据对所述第二神经网络进行迁移学习，使所述第二神经网络具备冠状动脉血管分割能力；
30、分割模块，用于获取目标图像，并依据经过迁移学习后的所述第二神经网络对所述目标图像进行分割得到目标冠状动脉血管分割数据。
31、一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述任一项所述的基于迁移学习的冠状动脉血管分割的方法的步骤。
32、一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上本文档来自技高网...
【技术保护点】
1.一种基于迁移学习的冠状动脉血管分割的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取第一样本数据和第二样本数据，并依据所述第一样本数据对第一神经网络进行预训练，使所述第一神经网络具备提取视觉特征信息的能力的步骤，包括：
3.根据权利要求1所述的方法，其特征在于，所述依据所述第一神经网络和所述密集语义监督模块生成第二神经网络，并依据所述第二样本数据对所述第二神经网络进行迁移学习，使所述第二神经网络具备冠状动脉血管分割能力的步骤，包括：
4.根据权利要求3所述的计算方法，其特征在于，所述通过所述密集语义监督模块进行对所述第二神经网络的训练结果进行校正的步骤，包括：
5.根据权利要求1所述的方法，其特征在于，还包括：
6.根据权利要求1所述的方法，其特征在于，所述获取目标图像，并依据经过迁移学习后的所述第二神经网络对所述目标图像进行分割得到目标冠状动脉血管分割数据的步骤，包括：
7.根据权利要求1所述的方法，其特征在于，还包括：
8.一种基于迁移学习的冠状动脉血管分割的装
9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的基于迁移学习的冠状动脉血管分割的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于迁移学习的冠状动脉血管分割的方法的步骤。
...【技术特征摘要】
1.一种基于迁移学习的冠状动脉血管分割的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取第一样本数据和第二样本数据，并依据所述第一样本数据对第一神经网络进行预训练，使所述第一神经网络具备提取视觉特征信息的能力的步骤，包括：
3.根据权利要求1所述的方法，其特征在于，所述依据所述第一神经网络和所述密集语义监督模块生成第二神经网络，并依据所述第二样本数据对所述第二神经网络进行迁移学习，使所述第二神经网络具备冠状动脉血管分割能力的步骤，包括：
4.根据权利要求3所述的计算方法，其特征在于，所述通过所述密集语义监督模块进行对所述第二神经网络的训练结果进行校正的步骤，包括：
5.根据权利要求1所述的方法，其特征在于，还包括：
6.根据权利要求1所述的方法，其特征在于，所述获取目标图像，并依据经过迁...
【专利技术属性】
技术研发人员：刘修健，高智凡，张贺晔，赵筱锐，张卫卫，
申请(专利权)人：中山大学，
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。