【技术实现步骤摘要】
本专利技术涉及图像处理，特别是涉及一种基于心脏电子计算机断层扫描血管造影图像的处理装置。
技术介绍
1、为了对用户心血管疾病进行检测，相关技术中基于心脏电子计算机断层扫描血管造影（computed tomography angiography，cta）图像对该疾病进行检查。
2、基于心脏cta图像使用传统方法进行分割冠状动脉，需要首先进行主动脉分割，再进行主干分割，继而进行细节分割，继而删除静脉假阳。该方法中不能同时完成对主动脉和冠脉的分割，且方法较为复杂、检测效率低。
3、由此可见，如何对cta图像进行处理，以提高动脉检测的效率是本领域人员亟需解决的技术问题。
技术实现思路
1、本专利技术的目的是提供一种基于心脏电子计算机断层扫描血管造影图像的处理装置，以解决基于心脏cta图像使用传统方法进行分割冠状动脉的方法无法同时完成对主动脉和冠脉的分割，且方法较为复杂、检测效率低的技术问题。
2、为解决上述技术问题，本专利技术提供一种基于心脏电子计算机断层扫描血管造影图像的处理装置，包括：
3、第一获取模块，用于获取心脏的当前电子计算机断层扫描血管造影图像；
4、输入模块，用于将当前电子计算机断层扫描血管造影图像输入至预先建立的深度学习网络模型；其中，所述深度学习网络模型训练时的输入为电子计算机断层扫描血管造影图像和电子计算机断层扫描血管造影图像上标注的类别；所述类别至少包括主动脉、冠脉和图像背景；
5、输出模块，用于
6、第二获取模块，用于根据所述初始分割结果对动脉进行连通区域分析；其中，不同血管类别下连通区域分析方式不同；
7、确定模块，用于根据连通区域分析结果确定所述当前电子计算机断层扫描血管造影图像上的动脉区域。
8、示例性地，所述基于心脏电子计算机断层扫描血管造影图像的处理装置中包括训练模块，所述训练模块用于训练所述深度学习网络模型；
9、所述训练模块具体包括：
10、处理操作模块，用于对所述电子计算机断层扫描血管造影图像进行处理操作得到处理后的所述电子计算机断层扫描血管造影图像；其中，所述处理操作至少包括图像预处理操作、数据增强操作以及提取预设大小的子块图像操作；
11、标注模块，用于标注处理后的所述电子计算机断层扫描血管造影图像上标注的类别；
12、训练子模块，用于将处理后的所述电子计算机断层扫描血管造影图像和标注的类别输入至深度学习网络模型中进行训练。
13、示例性地，所述处理操作模块执行所述图像预处理操作包括：
14、将所述电子计算机断层扫描血管造影图像的像素间距改为预设像素间距；
15、将像素间距改为预设像素间距的所述电子计算机断层扫描血管造影图像中的计算机断层扫描值转换为矩阵格式；
16、获取位于预设范围内的计算机断层扫描值并进行归一化处理，以及将所有的所述计算机断层扫描值中，位于预设范围外的所述计算机断层扫描值作为端点值；
17、所述处理操作模块执行所述数据增强操作为多维度的图像翻转操作、改变图像对比度操作、增加运动伪影操作、图像仿射变换操作、图像弹性形变操作和增加高斯噪声操作中的一种或多种；
18、所述处理操作模块执行所述提取预设大小的子块图像操作包括：
19、获取处理所述电子计算机断层扫描血管造影图像的硬件情况；其中，所述硬件情况至少包括显存占用情况；
20、根据所述硬件情况对进行数据增强操作后的所述电子计算机断层扫描血管造影图像分割成所述预设大小的子块图像。
21、示例性地，所述训练子模块进行训练时使用混合损失函数以及采用优化器优化模型性能；其中，所述混合损失函数至少由骰子损失和交叉熵损失相加得到。
22、示例性地，所述输出模块具体包括：
23、预测模块，用于在所述深度学习网络模型中使用滑动窗口大小预测所述当前电子计算机断层扫描血管造影图像；其中，所述窗口大小等于训练所述深度学习网络模型时所述子块图像的大小；步长为所述窗口大小的一半；
24、输出子模块，用于输出所述当前电子计算机断层扫描血管造影图像的每个体素所属类别的概率，根据每个体素所属类别的概率确定预测后的所述初始分割结果。
25、示例性地，所述预测模块中还包括设置权重模块；
26、所述设置权重模块用于基于高斯重要性权重，增加归一化指数函数聚合中心体素的权重。
27、示例性地，所述预测模块在预测主动脉类别和冠脉类别时，设置的主动脉类别的阈值大于冠脉类别的阈值。
28、示例性地，所述第二获取模块具体用于根据所述初始分割结果获取主动脉的初始区域中所有连通区域中体素数量最大的连通区域；
29、所述确定模块具体用于将所述主动脉的初始区域中所有连通区域中的体素数量最大的连通区域作为所述当前电子计算机断层扫描血管造影图像上所述主动脉的区域。
30、示例性地，所述冠脉类别包括左冠脉类别和右冠脉类别；
31、所述第二获取模块具体用于根据所述初始分割结果获取左冠脉的初始区域中的第一候选区域和右冠脉的初始区域中的第二候选区域；其中，所述第一候选区域和所述第二候选区域均为像素数量大于预定数量的体素的连通区域；
32、所述确定模块具体用于从所述第一候选区域中筛选出第一目标区域以作为所述当前电子计算机断层扫描血管造影图像上的所述左冠脉的区域；从所述第二候选区域中筛选出第二目标区域以作为所述当前电子计算机断层扫描血管造影图像上的所述右冠脉的区域。
33、示例性地，所述确定模块筛选出所述第一目标区域包括：
34、从所有的所述第一候选区域中获取第一最大连通区域；
35、从所有的所述第一候选区域中获取第一目标候选区域；其中，所述第一目标候选区域三维方向上体素的最大值大于预设值；
36、判断所述第一目标候选区域的中心坐标点是否在所述第一最大连通区域内；
37、若是，则保留所述第一目标候选区域作为所述第一目标区域；
38、所述确定模块筛选出所述第二目标区域包括：
39、从所有的所述第二候选区域中获取第二最大连通区域；
40、从所有的所述第二候选区域中获取第二目标候选区域；其中，所述第二目标候选区域三维方向上体素的最大值大于预设值；
41、判断所述第二目标候选区域的中心坐标点是否在所述第二最大连通区域内；
42、若是，则保留所述第二目标候选区域作为所述第二目标区域。
43、本专利技术所提供的一种基于心脏电子计算机断层扫描血管造影图像的处理装置，包括：第一获取模块，用于获取心脏的当前电子计算机断层扫描血管造影图像；输入模块，用于将当前电子计算机断层扫描血管造影图像输入至预先建立的深度学习本文档来自技高网...
【技术保护点】
1.一种基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，包括：
2.根据权利要求1所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述基于心脏电子计算机断层扫描血管造影图像的处理装置中包括训练模块，所述训练模块用于训练所述深度学习网络模型；
3.根据权利要求2所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述处理操作模块执行所述图像预处理操作包括：
4.根据权利要求2所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述训练子模块进行训练时使用混合损失函数以及采用优化器优化模型性能；其中，所述混合损失函数至少由骰子损失和交叉熵损失相加得到。
5.根据权利要求2至4任意一项所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述输出模块具体包括：
6.根据权利要求5所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述预测模块中还包括设置权重模块；
7.根据权利要求6所述的基于心脏电子计算机断层扫描血管造
8.根据权利要求7所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述第二获取模块具体用于根据所述初始分割结果获取主动脉的初始区域中所有连通区域中体素数量最大的连通区域；
9.根据权利要求7所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述冠脉类别包括左冠脉类别和右冠脉类别；
10.根据权利要求9所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述确定模块筛选出所述第一目标区域包括：
...【技术特征摘要】
1.一种基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，包括：
2.根据权利要求1所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述基于心脏电子计算机断层扫描血管造影图像的处理装置中包括训练模块，所述训练模块用于训练所述深度学习网络模型；
3.根据权利要求2所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述处理操作模块执行所述图像预处理操作包括：
4.根据权利要求2所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述训练子模块进行训练时使用混合损失函数以及采用优化器优化模型性能；其中，所述混合损失函数至少由骰子损失和交叉熵损失相加得到。
5.根据权利要求2至4任意一项所述的基于心脏电子计算机断层扫描血管造影图像的处理装置，其特征在于，所述输出模块具体包括：
...【专利技术属性】
技术研发人员：杨呈伟，胡明辉，李亚丹，罗欢，钱沛东，罗园明，张浩楠，
申请(专利权)人：柏意慧心杭州网络科技有限公司，
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。