[发明专利]基于深度几何演化模型的冠状动脉分割方法

权利要求书

1.基于深度几何演化模型的冠状动脉分割方法，其特征在于，包括如下步骤：

步骤一、获取数据集；

步骤二、数据预处理；

步骤三、构建深度几何演化分割模型；

深度几何演化分割模型包括编码模块、预分割模块、距离变化模块，步骤二中预处理后的数据输入深度几何演化分割模型后，输出距离变化结果、预分割结果;预分割模型提取骨架，距离变化模块求出骨架对应点的半径；编码模块由四个编码块构成，每一个编码块由空洞卷积层、批量归一化层和最大池化层构成；预分割模块由四个分割块构成，每一个分割块由空洞卷积层、批量归一化层和上采样层构成；距离变化模块由四个距离变化块构成，每一个距离变化块由空洞卷积层、批量归一化层和上采样层构成，且距离变化模块预测得到的结果要与输入图像经过计算距离变化的结果进行对比，距离变化模块用于计算图像中每一个非零点离自己最近的零点的距离；其中,编码模块的每一个编码块分别与预分割模块、距离变化模块的每一个对应块都通过跳跃连接来连接，从而让预分割模块和距离变化模块获得更多的高频信息来完善空间信息,距离变化模块的输出结果是预测每一个骨架点对应的半径；

步骤四、对构建的深度几何演化分割模型进行CCTA图像进行训练及评判；对预分割模块采用dice损失函数，对距离变化模块采用交叉熵损失函数；

步骤五、几何演化；

利用构建好的多目标分割模型对新的CCTA图像进行训练，得到距离变化结果、预分割结果，对预分割模块的结果进行骨架提取，对距离变化的结果求冠状动脉的半径，在对骨架上的每一个点，用对应冠状动脉的半径和点坐标构建球模型演化得到演化后的冠状动脉，演化后的冠状动脉与骨架提取的预分割结果通过并集模块求并集得到最终的分割结果;

步骤六、新数据预测；

在所述步骤五～六中，球模型通过公式(1)得到冠状动脉，是像素是否为冠状动脉的概率；是像素属于类的概率，对于一个像素,它的半径可以计算为，它的骨架可以利用skimage的skeletonize计算得到，对于骨架上的每一个点，利用半径演化得到冠脉，计算公式(1)如下：

(1)

其中，表示冠状动脉的半径，表示骨架上提取的每一个点坐标，U表示骨架上所有点坐标的集合；

最后，冠状动脉的分割结果可以由演化后的冠状动脉和分割结果求并集而得，计算公式(2)如下：

（2）。

2.根据权利要求1所述的基于深度几何演化模型的冠状动脉分割方法，其特征在于：所述步骤二具体包括如下：

所述数据集包括CCTA数据，对于每一例CCTA数据均需要手动设置标签，对原始的CCTA数据进行读取，获取CCTA数据的窗宽和窗位，所述窗宽表示显示图像时所选用的CT值范围，所述窗位表示图像灰阶的中心位置，然后将窗宽设置为1000，将窗位设置为200，最后将CCTA数据进行归一化处理。

3.根据权利要求1所述的基于深度几何演化模型的冠状动脉分割方法，其特征在于：所述步骤三中，编码模块采用ReLU作为激活函数，预分割模块、距离变化模块的上采样层采用双线性插值；所述步骤四中，利用联合损失函数来训练多目标模型，其中预分割模块使用基于dice系数的激活函数，DT是一个介于0和1之间的数值，网络的目标是最大化dice系数，定义如下公式(3)：

(3)

其中，表示预测结果，表示标注图；

另外一个距离变化模块使用的是交叉熵损失函数，该函数(4)定义如下：

(4)

其中，表示距离变化离散后的类别数量，表示CCTA数据上像素i等于距离变化离散后k的概率,如果像素i的真实类别等于k则取1,否则取0;为CCTA数据上像素i属于距离变化离散后k的预测概率。