一种基于深度学习的冠脉造影图像处理方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114241193A(43)申请公布日2022.03.25(21)申请号202111561803.0G06K9/62(2022.01)(22)申请日2021.12.16G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人中国医学科学院阜外医院地址100037北京市西城区北礼士路167号申请人北京红云智胜科技有限公司(72)发明人徐波张洪刚刘硕王筱斐谢丽华陈东浩赵森祥(74)专利代理机构北京挺立专利事务所(普通合伙)11265代理人高福勇(51)Int.Cl.G06V10/25(2022.01)G06V10/44(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书1页说明书5页附图3页(54)发明名称一种基于深度学习的冠脉造影图像处理方法及装置(57)摘要本发明公开了一种基于深度学习的冠脉造影图像处理方法及装置，以冠脉造影图像为输入，使用神经网络目标检测工具箱mmdetection提取钙化区域特征以计算钙化分数，使用了特征提取和回归分析的方法，将基于深度学习的目标检测技术应用到冠状动脉钙化分析上，通过深度学习技术解决通过心脏冠脉造影图像的钙化识别和血管钙化程度分析问题。CN114241193ACN114241193A权利要求书1/1页1.一种基于深度学习的冠脉造影图像处理方法，其特征在于，包括以下步骤：S1、获取心脏冠脉造影图像；S2、利用神经网络目标检测工具箱MMDetection提取图像钙化区域特征，利用Agatston积分法计算钙化区域特征的钙化分数；S3、使用心脏冠状动脉造影图像数据集训练目标检测网络；S4、根据网络训练出的特征和已知的钙化分数，进行回归分析。2.根据权利要求1所述的基于深度学习的冠脉造影图像处理方法，其特征在于，步骤S2的目标检测工具箱MMDetection的网络是基于ResNet101的FasterRCNN。3.根据权利要求2所述的基于深度学习的冠脉造影图像处理方法，其特征在于，步骤S2的目标检测工具箱MMDetection的网络包括五个卷积模块，分别是：conv1，conv2_x，conv3_x，conv4_x，conv5_x。4.根据权利要求3所述的基于深度学习的冠脉造影图像处理方法，其特征在于，所述卷积模块的处理过程为：首先模块接收造影图像，然后图像经过卷积层，最后通过对输入图像进行若干次卷积运算从而达到提取出图片中高维度特征，所述高维度特征包含分割和识别过程中用到的全部信息。5.根据权利要求2所述的基于深度学习的冠脉造影图像处理方法，其特征在于，步骤S2的目标检测工具箱MMDetection的网络的一个基本单元为快捷连接单元，整个神经网络就是由若干个上述的快捷连接单元相连而成，快捷连接单元H(X)＝F(X)+X，其中X表示输入的特征，F(X)表示单元输出的特征，其中两相邻的权重层之间包括卷积层、批规范化层、激活函数层；整个网络快捷连接过程表示为：y＝F(x,{wi})+x其中y表示整个网络输出的特征，x表示输入的特征，F(X,{Wi})表示需要训练的残差映射函数，Wi表示该层的权重。6.根据权利要求1所述的基于深度学习的冠脉造影图像处理方法，其特征在于，步骤S4的回归分析的函数如下：其中f1(x)为目标检测工具箱MMDetection提取出的图像特征，f2(x)为随机森林回归分析以提取的图像特征为输入得到预测的钙化分数。7.一种冠脉造影图像处理装置，其特征在于，包括处理器和存储器，所述处理器用于实现上述权利要求1‑6任一项所述的基于深度学习的冠脉造影图像处理方法，包括以下模块：图像获取模块，用于获取心脏冠脉造影图像；图像特征提取模块，用于提取图像钙化区域特征；图像特征计算模块，用于计算钙化区域特征的钙化分数；网络训练模块，用于使用心脏冠状动脉造影图像数据集训练目标检测网络；图像分析模块，用于根据网络训练出的特征和已知的钙化分数进行回归分析。2CN114241193A说明书1/5页一种基于深度学习的冠脉造影图像处理方法及装置技术领域[0001]本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的冠脉造影图像处理方法及装置。背景技术[0002]临床研究表明，冠状动脉钙化(coronaryarterycalcification，CAC)，传统X线检查显示钙化且有症状的患者，其5年生存率为58％，而无钙化者的5年生存率为87％，且病理学研究表明，冠脉钙化是冠心病的一大重要预测因素。钙化斑块的形状、大小与位置是重要的参考信息，如何准确和迅速的检测出钙化程度，利于医生及时为患者提出合适患者的治疗方案，在临床上具有重要意义。[0003]目前，现有技术