[发明专利]基于深度学习和光流法的心脏冠状动脉影像分割识别方法

权利要求书

1.一种基于深度学习和光流法的心脏冠状动脉影像分割识别方法，其特征在于，包括：

选取分段心脏造影Dicom视频中任意连续两帧图片作为训练样本，将训练样本输入神经网络中；神经网络基于所述训练样本，计算连续两帧图片之间的光流信息作为两帧之间的映射，同时将光流信息输入神经网络中；

神经网络通过深度学习的方法对前一帧图片及光流信息得到的第三特征图及当前帧图片得到的第四特征图组合得到的第五特征图输入金字塔模块中，金字塔模块基于第五特征图应用金字塔融合的方法得到不同尺度的心脏血管特征图；反卷积层通过双线性插值的方法将不同尺度的心脏血管特征图沿着一个维度合并到一起，得到心脏冠状动脉影像分割识别血管图；

所述分段心脏造影Dicom视频的获取方法包括：接收医疗综合数据库中存储的与病变种类信息对应的整段心脏造影Dicom视频；基于病变种类信息，使用结构分割网络协同分析整段心脏造影Dicom视频中出现的关键特征信息；基于关键特征信息并结合体位信息，对整段Dicom视频进行分段，并迭代所述基于病变种类信息，使用结构分割网络协同分析整段心脏造影Dicom视频中出现的关键特征信息；基于关键特征信息并结合体位信息，对整段Dicom视频进行分段步骤，直到最终找到满足设定的分段视频；

所述神经网络通过深度学习的方法对前一帧图片及光流信息得到的第三特征图的步骤包括：将两帧图片中的前一帧图片取出输入卷积模块，运行模型计算图，取出计算过程中最后一个卷积层输出的第一特征图；将光流信息输入卷积模块中进行主要特征提取，得到第二特征图；打包层接收第一特征图和第二特征图，对第一特征图和第二特征图进行线性插值的操作，将第一特征图和第二特征图进行有效信息的融合，得到第三特征图。

2.如权利要求1所述的方法，其特征在于，所述卷积神经网络模块由多层相同单元多次堆叠而成，同时读取预训练模型参数；

所述单元从上到下依次为卷积层、批规范化层、快捷连接层、激活函数层。

3.如权利要求1所述的方法，其特征在于，得到所述第四特征图的步骤包括：

神经网络将当前帧图片输入卷积模块进行特征提取，取出最后一个卷积层的输出得到第四特征图。

4.如权利要求1所述的方法，其特征在于，得到所述第五特征图的步骤包括：

组合层将第三特征图和第四特征图分别乘以不同的权重之后相加，得到第五特征图。

5.如权利要求1-4之一所述的方法，其特征在于，还包括参数更新的步骤，该步骤包括：

比较输出的心脏冠状动脉影像分割识别血管图和医生精标注的心脏冠状动脉影像分割识别血管图的不同得到损失值，通过梯度下降法对神经网络各个层的参数进行更新；迭代运行所有的步骤，直到通过神经网络分割和识别出的心脏冠状动脉影像分割识别血管图与医生精标注的心脏冠状动脉影像分割识别血管图之间损失值低于预设的阈值。

6.如权利要求1所述的方法，其特征在于，还包括测试步骤，该步骤包括：

步骤一：读取拍摄到的患者的心脏造影Dicom视频文件，提取关键帧，输入神经网络；并读取该体位对应的模型参数；

步骤二：神经网络进行初始化，建立多层神经网络结构，并读取训练好的对应体位的模型参数；

步骤三：神经网络接收患者的心脏造影Dicom视频图像，通过深度学习的方法对输入图片进行血管的分割和检测，输出不同体位关键帧的血管分割识别图片；

步骤四：对不同体位重复步骤一到步骤三，直到将所有体位的关键帧处理完毕。