[发明专利]基于冠脉造影图像判断狭窄血管尺寸的深度学习方法

说明书

本发明公开了一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，属于医学技术领域，该方法包括：获取实验所需要的冠脉造影图像数据，该冠脉造影图像数据为冠脉造影图像并含有相应的标签，将冠脉造影图像数据分为训练集、验证集和测试集；使用训练集和验证集进行训练，利用深度学习的方法训练一个多任务分类回归预测模型，整个模型包括一个分类支路和一个回归支路，分类支路由交叉熵损失函数监督训练，回归支路由一个主损失函数平均绝对误差和一个跨空间距离保持正则化的损失函数相结合进行监督训练，从而提高预测的准确率，该方法可以帮助医生快速确定相应的血管指标信息，进而可以帮助医生提高手术成功率。

技术领域

本发明属于医学技术领域，具体涉及一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法。

背景技术

冠脉造影中狭窄部位的相关数据的准确测量对医生们手术的成功是至关重要的，如何进行准确地分类狭窄部位的狭窄程度以及准确测量出狭窄部位的长度和附近正常血管的直径也是一个亟待解决的问题。当前的冠脉造影狭窄部位的相关指标需要结合冠脉造影图像的序列一起进行预测，这对网络结构的要求是比较复杂的，而且网络的参数和计算量也会很大，预测出最后的结果就会花费比较长的时间，这对时间宝贵的医生们来说是很难接受的，因此我们提出的模型只需要输入冠脉造影图像即可输出我们的相应的预测指标，网络结构相对于根据冠脉造影图像序列进行预测的网络要简单一点。

发明内容

本发明提供了一种利用深度学习预测冠脉造影血管图像判断狭窄血管的程度和长度以及附近正常血管的直径的方法，可以帮助医生进行更有利地进行手术工作。

一种基于冠脉造影图像判断狭窄血管尺寸的深度学习方法，包括以下步骤：

(1)获取实验所需要的冠脉造影图像数据，该冠脉造影图像数据为冠脉造影图像并含有相应的标签，将冠脉造影图像数据分为训练集、验证集和测试集；

(2)使用训练集和验证集进行训练，利用深度学习的方法训练一个多任务分类回归预测模型，所述的多任务分类回归预测模型具有两条支路，包括分类支路和回归支路，在训练的过程中，分类支路由一个交叉熵损失L_ce进行监督训练；回归支路由一个主损失函数平均绝对误差L_P和一个跨空间距离保持正则化CSDPR的损失函数L_C相结合进行监督训练；

(3)训练完成后，查看验证集上的多任务分类回归预测模型的性能，若训练的模型不能准确地判断狭窄血管的情况，则调整模型超参数，继续训练，直到回归预测模型可以准确地判断狭窄血管的情况；

(4)得到最后的训练好的模型，再用测试集对模型进行测试，最终确定需要的模型。

本发明技术方案的进一步改进在于：步骤(2)中，两个支路均具有狭窄定位的能力，其中分类支路负责判断狭窄部位的狭窄程度，回归支路负责输出预测的狭窄部位血管的长度和附近正常血管的直径。

本发明技术方案的进一步改进在于：所述的分类支路采用的是Inception V3网络结构，该Inception V3网络结构首先由五个卷积层进行初步特征提取，后面跟着五个模块，这五个模块的的数量分别为3，1，4，1，2，它们对特征进行深度提取，然后将提取的深度特征映射传递给后面的全局池化层和Dropout得到特征，并将该特征共享给回归支路，最后利用全连接层和Softmax预测狭窄程度。