【技术实现步骤摘要】
本专利技术属于医学图像分析，具体涉及一种ccta冠状动脉及病灶分割方法及系统。
技术介绍
1、冠状动脉ct造影(coronary ct angiography，ccta)能准确地显示冠脉的解剖结构和病变情况，从中分割出冠脉及病灶能够为医生提供重要的诊断依据。然而人工的分割方法耗时耗力、自动化的传统分割方案分割精度较低。虽然目前基于深度学习的分割方法能够获得较高的精度，但需要体素级的冠脉及病灶注释作为监督信号，高昂的注释成本限制了全监督的冠脉及病灶分割算法在临床实践中的应用。
2、关于如何利用低成本、粗粒度的注释，实现ccta中冠脉及病灶的精准分割，当前最常用的弱监督分割方案是应用图像级的分类标签训练一个分类模型，结合类激活映射(class activation mapping，cam)生成分割掩膜，但这种方法生成的掩膜存在前景区域类别错误率高、边界不准确的问题。因此弱监督场景下冠脉及病灶的精准分割仍然存在挑战。
技术实现思路
1、本专利技术要解决的技术问题是：
2、现有的图像级的分类标注训练的分割模型存在掩膜前景区域类别错误率高、边界不准确的问题，导致弱监督场景下冠脉及病灶的分割精度低。
3、本专利技术为解决上述技术问题所采用的技术方案：
4、本专利技术提供一种基于因果推理的ccta冠状动脉及病灶分割方法，包括如下步骤：
5、步骤s1、采集患者ccta影像数据，对ccta影像数据中的冠脉及病灶标注标签，并对数据进行预处理；
6、步骤s2、构建基于因果推理的冠脉及病灶分割模型，所述分割模型包括多标签分类模型和因果推理模型；所述因果推理模型基于ccta影像中的分类标签和分割掩膜分别构建类别因果图和解剖因果图，所述多标签分类模型结合类别因果图和解剖因果图对ccta影像的冠脉及病灶的分类，进一步得到高精度的分割结果；
7、步骤s3、基于所述基于因果推理的冠脉及病灶分割模型对预处理后的待分割ccta影像进行分割，获得冠脉及病灶的掩膜。
8、进一步地，步骤s2中所述因果推理模型包括全局特征融合gff模块和因果推理模块，所述全局特征融合gff模块包括卷积神经网络模块、分类头和cam模块，所述卷积神经网络模块交替连接的8个由串联的卷积层、批标准化层、relu激活函数层以及并行的残差连接构成的残差模块，而后连接一个relu激活函数层。
9、进一步地，所述分类头由一个全局平均池化层和一个全连接层串联而成。
10、进一步地，所述多标签分类模型包括：所述卷积神经网络模块、所述分类头和所述cam模块。
11、进一步地，所述基于因果推理的冠脉及病灶分割模型的功能实现过程为：
12、步骤s21、将预处理后的待分割的ccta影像输入到全局特征融合gff模块，通过卷积神经网络模块提取ccta影像的信息特征图，并依次通过分类头和cam模块，映射为cam类激活图；对cam类激活图进行上采样操作，获得粗分割掩膜maskc，对粗分割掩膜maskc进行信息融合，得到全局特征融合图fgc；
13、步骤s22、将所述粗分割掩膜maskc和全局特征融合图fgc输入到因果推理模块中，分别通过类别因果关系链和分割因果关系链计算得到类别因果图fc和解剖因果图fs；
14、步骤s23、将预处理后的待分割ccta输入所述多标签分类模型，通过卷积神经网络模块投影为信息特征图，将信息特征图与类别因果图fc与进行拼接，得到融合信息特征图，通过分类头输出预测的多分类目标向量ypred，再通过cam模块获得粗略的类激活图camc；
15、步骤s24、所述粗略的类激活图camc与所述解剖因果图fs对应元素间计算内积，获得精细化的类激活图cama；将所述精细化的类激活图cama进行上采样，生成最终的分割掩膜。
16、进一步地，步骤s21中所述对粗分割掩膜maskc进行信息融合，得到全局特征融合图fgc，具体为：
17、
18、其中n表示训练图像的数量，maskc，k表示获得的第k个粗分割掩膜。
19、进一步地，步骤s22包括如下步骤：
20、步骤s221、将步骤s21获得的粗分割掩膜maskc和全局特征融合图fgc分别输入因果推理模块中，首先计算类别感知的注意力向量attcategory：
21、attcategory＝softmax(θ(maskc)×θ(fgc)t)
22、其中θ表示卷积操作；
23、步骤s222、将步骤s221获取的注意力向量attcategory与全局特征融合图fgc进行下采样运算，获得分类因果图fc：
24、fc＝down(attcategory×fgc)
25、其中down表示下采样运算；
26、步骤s223、将全局特征融合图fgc送入0/1指示函数获取ccta影像中的解剖信息，获得解剖因果图fs：
27、
28、进一步地，步骤s23中所述cam模块的功能实现过程，包括如下步骤：
29、步骤s231、对分类头输出的每一张特征图进行全局平均池化操作将其变为一维向量；
30、步骤s232、将s231得到的一维向量依次经过全连接层与softmax操作得到待分割类别对应的权重矩阵w；
31、步骤s233、对于分割的前景，将分类头输出的特征图与步骤s232中获得的权重矩阵w中该类别对应的权重进行加权求和，最后获得粗略的类激活图camc。
32、进一步地，所述多标签分类模型采用的损失函数为：
33、
34、其中，n为一个bach中训练样本的数目，c为目标的类别数目，表示第i个样本第j个类别的输出结果，表示第i个样本第j个类别的真值。
35、一种基于因果推理的ccta冠状动脉及病灶分割系统，该系统具有与上述技术方案任一项技术方案所述方法的步骤对应的程序模块，运行时执行上述的基于因果推理的ccta冠状动脉及病灶分割方法中的步骤。
36、相较于现有技术，本专利技术的有益效果是：
37、本专利技术利用影像、分类标签、分割掩膜之间的因果关系分别构建了类别因果链和解剖因果链，使用ccta影像及对应的冠脉及病灶类别标签，能够准确且可靠地实现冠脉及病灶的分割。本专利技术提出的基于因果推理的ccta冠状动脉及病灶分割方法是一个利用了医学影像生成及人体解剖结构间因果关系的新型分割框架，解决了仅有图像级类别注释时分割不准确的问题，实现了弱监督场景下冠脉及病灶的精准分割，能够在临床实践中得到广泛应用。
本文档来自技高网...【技术保护点】
1.一种基于因果推理的CCTA冠状动脉及病灶分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于因果推理的CCTA冠状动脉及病灶分割方法，其特征在于，步骤S2中所述因果推理模型包括全局特征融合GFF模块和因果推理模块，所述全局特征融合GFF模块包括卷积神经网络模块、分类头和CAM模块，所述卷积神经网络模块交替连接的8个由串联的卷积层、批标准化层、ReLU激活函数层以及并行的残差连接构成的残差模块，而后连接一个ReLU激活函数层。
3.根据权利要求2所述的一种基于因果推理的CCTA冠状动脉及病灶分割方法，其特征在于，所述分类头由一个全局平均池化层和一个全连接层串联而成。
4.根据权利要求3所述的一种基于因果推理的CCTA冠状动脉及病灶分割方法，其特征在于，所述多标签分类模型包括：所述卷积神经网络模块、所述分类头和所述CAM模块。
5.根据权利要求4所述的一种基于因果推理的CCTA冠状动脉及病灶分割方法，其特征在于，所述基于因果推理的冠脉及病灶分割模型的功能实现过程为：
6.根据权利要求5所述的一种基于因果
7.根据权利要求6所述的一种基于因果推理的CCTA冠状动脉及病灶分割方法，其特征在于，步骤S22包括如下步骤：
8.根据权利要求7所述的一种基于因果推理的CCTA冠状动脉及病灶分割方法，其特征在于，步骤S23中所述CAM模块的功能实现过程，包括如下步骤：
9.根据权利要求1所述的一种基于因果推理的CCTA冠状动脉及病灶分割方法，其特征在于，所述多标签分类模型采用的损失函数为：
10.一种基于因果推理的CCTA冠状动脉及病灶分割系统，其特征在于，该系统具有与上述权利要求1～9任一项权利要求所述方法的步骤对应的程序模块，运行时执行上述的基于因果推理的CCTA冠状动脉及病灶分割方法中的步骤。
...【技术特征摘要】
1.一种基于因果推理的ccta冠状动脉及病灶分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于因果推理的ccta冠状动脉及病灶分割方法，其特征在于，步骤s2中所述因果推理模型包括全局特征融合gff模块和因果推理模块，所述全局特征融合gff模块包括卷积神经网络模块、分类头和cam模块，所述卷积神经网络模块交替连接的8个由串联的卷积层、批标准化层、relu激活函数层以及并行的残差连接构成的残差模块，而后连接一个relu激活函数层。
3.根据权利要求2所述的一种基于因果推理的ccta冠状动脉及病灶分割方法，其特征在于，所述分类头由一个全局平均池化层和一个全连接层串联而成。
4.根据权利要求3所述的一种基于因果推理的ccta冠状动脉及病灶分割方法，其特征在于，所述多标签分类模型包括：所述卷积神经网络模块、所述分类头和所述cam模块。
5.根据权利要求4所述的一种基于因果推理的ccta冠状动脉及病灶分割方法，其特征在...
【专利技术属性】
技术研发人员：李悦，邱兆文，王定宇，陈盈涛，苏翰，盛力，石治宇，宋涛，骆功宁，马兴华，王宽全，
申请(专利权)人：哈尔滨医科大学附属第一医院，
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。