[发明专利]基于深度几何演化模型的冠状动脉分割方法

说明书

本发明公开了基于深度几何演化模型的冠状动脉分割方法，涉及深度学习图像分割领域，包括获取数据集、数据预处理、利用编码模块、构建的深度几何演化分割模型进行训练和评判、利用上述步骤进行新的CCTA图像训练等步骤，得到两个结果，预分割结果进行骨架提取，距离变化结果求冠状动脉的半径，通过骨架和半径构建球模型得到演化后的冠状动脉与预分割结果求并集得到最终分割结果；步骤六、新数据预测；本发明将CCTA数据冠状动脉几何结构，利用骨架和半径来重构冠状动脉，像素以及空间结构之间的关系，提高冠状动脉分割有效性，准确给医生提供评判依据。

技术领域

本发明涉及深度学习的图像分割领域，具体是指基于深度几何演化模型的冠状动脉分割方法。

背景技术

心血管疾病是造成人类死亡的主要疾病之一；《世界卫生报告》指出全球每年因心血管相关疾病引发的疾病及其并发症的死亡率已经超过了癌症死亡率之和；研究表明，心血管疾病大多数是由于冠状动脉病变引起的；尽早地发现冠心病，对临床医生制定合理的治疗方案有着重要的意义；冠状计算机断层血管造影（Coronary computed tomographyangiongraphy, CCTA）是临床诊断心血管疾病的常用手段，也是心血管疾病诊断的金标准；通过机器学习方法快速、准确、半自动从CCTA图像中分割冠状动脉是一个非常有意义的辅助医疗方式，这对于冠心病的早期发现起关键性作用，将会有效地为医生提供可靠的诊断依据。

由于CCTA图像本身的特殊性以及复杂性，例如：（1）冠状动脉结构复杂，存在很分支的小细管，（2）冠状动脉灰度不均匀，跟周围组织的对比度低，血管末梢部分的边界模糊，（3）冠状动脉中含有各种复杂病变；针对CCTA图像的分割算法近几年已成为研究的热点；而基于神经网络的方法是将分割问题转化为一个分类的问题，Nekovei采用BP神经网络对血管进行分割训练；近几年卷积神经网络（Convolutional Neural Network，CNN）在图像分割网络中取得不错的效果，其中U-net网络是目前在二维医学图像分割领域中应用最广泛的一种网络结构，是由Ronneberger在FCN的基础上提出的，该网络结构的特点是网络呈现“U”型，其上采样层和下采样层数量相等；Nasr-Esfahani等将造影图像分为血管和背景区域，并送入CNN网路，将全局信息和局部信息结合起来，注入了canny边缘检测器来进行训练，从而获得不错的结果；而Jo提出一种选择性特征映射的方法，用来分割心血管图像的左前降主干；Jun等为了克服U-Net在编码和解码块之间只有一组级联层的限制，引用了T-Net一种全新的网络，在编码时加入池化层和上采用层，使得预测的掩模更为精准。

现有的CCTA分割方法基于传统的医学图像分割方法，这些方法分割不仅设计起来十分繁琐，而且分割的有效性也难以保证；基于神经网络的方法，可以使用神经网络自动地从CCTA影像中学习冠状动脉的本质特征，这些方法中例如Unet或Unet++没有综合考虑到CCTA数据的全文信息，忽略了像素与像素之间的关联，没有综合考虑血管的几何信息，且对CCTA数据的一些小血管的分类不佳。

发明内容

基于以上问题，本发明提供了基于深度几何演化模型的冠状动脉分割方法，该方法能将充分考虑CCTA数据的空间一致性，充分考虑冠状动脉的几何结构，构建多目标分割模型，利用骨架和半径来重构冠状动脉，充分考虑像素以及空间结构之间的关系，从而提高冠状动脉分割的有效性。

为解决以上技术问题，本发明采用的技术方案如下：

基于深度几何演化模型的冠状动脉分割方法，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、构建几何演化分割模型；