本发明专利技术公开了一种基于深度学习的冠脉造影钙化识别方法、系统及存储介质，涉及医学心血管图像处理技术领域。本发明专利技术包括以下步骤：对待检测冠脉不同血管造影投照体位进行综合评价；根据CT血管造影独立标记原始数字减影血管造影图像上的钙化病变；使用U‑net神经网络结合焦点损失函数学习和鉴定标记的钙化病变；将U‑net神经网络输出结果输入至LSTM网络计算钙化评分。本发明专利技术提高了冠状动脉钙化检测的准确性和提高机器学习算法的预测性能。
【技术实现步骤摘要】
本专利技术涉及医学心血管图像处理，更具体的说是涉及一种基于深度学习的冠脉造影钙化识别方法、系统及存储介质。
技术介绍
1、心电门控ct扫描通常被认为是量化冠脉钙化的金标准，但是它们的广泛使用因为其使用成本以及社会经济和医疗条件等多因素受限而存在一定的挑战。非心电门控、非造影胸部ct的使用条件较低，而且更容易获得，已被证明能够与心电门控ct扫描相当的效率识别冠脉钙化，从而更高效地获得冠脉钙化积分。然而，ct获得的钙化评分在临床实践中往往是不准确的，并且在判断治疗方面存在一些不可避免的主观偏倚。冠状动脉造影是诊断冠心病的金标准。基于ct检查的严重钙化评分患者往往需要冠状动脉造影作为最终诊断和干预。在临床实践中，不同术者对冠状动脉造影图像的解释是高度可变而主观的。在冠状动脉造影时确定冠状动脉钙化程度主要基于操作者的经验，而这种经验具有不可靠性和不准确性，不能与患者预后或传统冠脉钙化积分评分相匹配。
技术实现思路
1、有鉴于此，本专利技术提供了基于深度学习的冠脉造影钙化识别方法、系统及存储介质，以解决
技术介绍
中存在的问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于深度学习的冠脉造影钙化识别方法，包括以下步骤：
4、对待检测冠脉不同血管造影投照体位进行综合评价；
5、根据ct血管造影独立标记原始数字减影血管造影图像上的钙化病变；
6、使用u-net神经网络结合焦点损失函数学习和鉴定标记的钙化病变；
>7、将u-net神经网络输出结果输入至lstm网络计算钙化评分。8、可选的，u-net神经网络工作过程为：对输入图像执行四组卷积和下采样操作以获得图像特征信息，通过右侧的四组反卷积和上采样放大图像；使用相同数量的通道在下采样和上采样操作之间增加跳跃连接，左侧卷积块的输出连接到右侧相同深度反卷积块的输入。
9、可选的，u-net神经网络在网络学习和训练的过程中，使用loss函数监督，就训练结果的质量向模型提供反馈。
10、可选的，u-net神经网络采用焦点损失函数，其表示如下：
11、；
12、其中表示预测概率，表示真实值，用来调整模型对于正类样本的损失权重，，分别表示调节因子，分别用来调整模型对于正类和负类预测的惩罚力度。
13、可选的，通过将患者的所有位置输入lstm网络，用于了解钙化与位置的依赖关系，并进行图像融合和钙化评分预测。
14、本专利技术还公开了一种基于深度学习的冠脉造影钙化识别系统，包括以下步骤：
15、综合评价模块：用于对待检测冠脉不同血管造影投照体位进行综合评价；
16、钙化病变标注模块：用于根据ct血管造影独立标记原始数字减影血管造影图像上的钙化病变；
17、深度学习模块：用于使用u-net神经网络结合焦点损失函数学习和鉴定标记的钙化病变；
18、钙化评分模块：用于将u-net神经网络输出结果输入至lstm网络计算钙化评分。
19、最后本专利技术公开了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现任意一项所述的一种基于深度学习的冠脉造影钙化识别方法的步骤。
20、经由上述的技术方案可知，与现有技术相比，本专利技术提供了一种基于深度学习的冠脉造影钙化识别方法、系统及存储介质，提高了冠状动脉钙化检测的准确性和提高机器学习算法的预测性能。
本文档来自技高网...
【技术保护点】
1.一种基于深度学习的冠脉造影钙化识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的冠脉造影钙化识别方法，其特征在于，U-net神经网络工作过程为：对输入图像执行四组卷积和下采样操作以获得图像特征信息，通过右侧的四组反卷积和上采样放大图像；使用相同数量的通道在下采样和上采样操作之间增加跳跃连接，左侧卷积块的输出连接到右侧相同深度反卷积块的输入。
3.根据权利要求1所述的一种基于深度学习的冠脉造影钙化识别方法，其特征在于，U-net神经网络在网络学习和训练的过程中，使用Loss函数监督，就训练结果的质量向模型提供反馈。
4.根据权利要求1所述的一种基于深度学习的冠脉造影钙化识别方法，其特征在于，U-Net神经网络采用焦点损失函数，其表示如下：
5.根据权利要求1所述的一种基于深度学习的冠脉造影钙化识别方法，其特征在于，通过将患者的所有位置输入LSTM网络，用于了解钙化与位置的依赖关系，并进行图像融合和钙化评分预测。
6.一种基于深度学习的冠脉造影钙化识别系统，其特征在于，包括以下步骤：
7.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中任意一项所述的一种基于深度学习的冠脉造影钙化识别方法的步骤。
...
【技术特征摘要】
1.一种基于深度学习的冠脉造影钙化识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的冠脉造影钙化识别方法，其特征在于，u-net神经网络工作过程为：对输入图像执行四组卷积和下采样操作以获得图像特征信息，通过右侧的四组反卷积和上采样放大图像；使用相同数量的通道在下采样和上采样操作之间增加跳跃连接，左侧卷积块的输出连接到右侧相同深度反卷积块的输入。
3.根据权利要求1所述的一种基于深度学习的冠脉造影钙化识别方法，其特征在于，u-net神经网络在网络学习和训练的过程中，使用loss函数监督，就训练结果的质量向模型提供反馈。
4...
【专利技术属性】
技术研发人员：郑金刚，张帆，叶子翔，曹利彬，安硕研，马飞，车武强，高艳香，于长安，穆亚琨，
申请(专利权)人：中日友好医院中日友好临床医学研究所，
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。