CN111862046A - 一种心脏冠脉剪影中导管位置判别系统和方法 - Google Patents

Abstract

本发明公开了一种心脏冠脉剪影中导管位置判别系统和方法，可有效的通过单张DSA图像还原其对应的三维模型，将二维DSA剪影中不完善的导管位置信息，通过三维重构的方法投射在三维模型上，获取准确的导管位置信息，准确地对病灶部位成像，在不造成患者不便的情况下，不仅回避了多角度成像时患者呼吸等运动造成的图像偏差，同时大大减少了传统定位方法中检测所需的时间。

Description

一种心脏冠脉剪影中导管位置判别系统和方法

技术领域

本发明属于医学成像技术领域，特别涉及一种心脏冠脉剪影图像中导管定位系统和方法。

背景技术

随着医学成像设备的不断发展，影像处理技术在心血管疾病的术前诊断中得到了广泛的应用，而心脏冠脉剪影技术(DSA)由于其在心血管显像领域具有的高分辨率，在诊断心血管疾病的时候效果尤为出色。然而DSA技术也具有一定的局限性以及不足点，DSA作为微创成像技术，即介入式成像，需要插入导管，在成像部位导入造影剂。同时，单张DSA图像并不能准确定位导管的位置，这对于心血管疾病诊断不利，而目前解决的方法大多是换一个角度重新推入造影剂并成像，利用多角度的图像来定位导管位置，这就造成了患者的不便(多次插入导管，多次造影剂的使用)，以及更长的诊断时间。

发明内容

本发明针对现有心脏冠脉剪影图像中导管定位存在的问题，提出一种心脏冠脉剪影中导管位置判别系统和方法，在保证准确率的情况下，减少病人负担，加快诊断速度。

为了实现上述目的，本发明采用以下技术方案：一种心脏冠脉剪影中导管位置判别方法，包括以下步骤：

步骤1：采集心血管造影二维图像，并通过多角度采集图像后构建三维模型；

步骤2：构建心血管造影二维图像和三维模型一一对应的联合数据库；

步骤3：通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络；

步骤4：利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型，获得导丝在血管中的位置。

进一步的，步骤3具体包括以下步骤：

步骤3.1：用卷积神经网学习联合数据库，提取冠脉剪影特征值以表述心脏冠脉剪影，并建立特征图谱；

步骤3.2：通过自由变形方法产生新的特征量，训练深度学习神经网络。

进一步的，布骤3.1建立特征图谱采用卷积神经网，通过重复卷积-池化的过程，将心血管造影二维图像中具体的信息抽象化，通过调整权重，将重要的特征量保留，弱化不重要的特征量，经过若干次卷积-池化的过程后通过全连接层，将众多特征量链接成特征图谱。

进一步的，步骤3.2具体包括以下步骤：

(1)对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，建立大小为(l+1)×(m+1)×(n+1)的立方体，该立方体将目标结构体涵盖其中，通过下式计算结构在立方体坐标系下的对应坐标：

其中，v(s，t，u)是由s，t，u构成的正交坐标系中任意一个网状结构的坐标，P_i，jk是在坐标(i，j，k)的控制节点，即建立的立方体上的点；

其中

为伯恩斯坦多项式；

自由变形后，假设所有控制节点的位移量为△P，变形后整个组织对应坐标为：

V’＝B(P+△P) (2)

其中B为伯恩斯坦多项式，P为原始立方体结构的坐标集，△P为变形后的位移量；

(2)将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络。

进一步的，种损失函数分别为变形损失，转换损失以及正则化损失；

其中，利用倒角损失函数表示变形损失以提高准确度：

其中，V′_pred为预测结果，V_gt为实际结果，nl为原目标结构体进行自由变后形成的模板数量，Li为对应的变形模板，w_Li为该变形模板对应的权重，C代表了倒角损失函数，即：

其中p，q是网格线合集P，Q中的点；最终而论，对于在P或Q中的任一点可以通过倒角损失在另一个点集中查找最近的顶点，并求出所有成对距离的总和；

转换损失以及正则化损失用

和

表示，表述如下：

其中ΔT为变形之后的预测的转换向量，ctr为变形之后实际的转换向量，Li为对应的变形模板，w_Li为该变形模板对应的权重，与变形损失相比较，不同的地方在于ΔP_Li，该损失是定义在控制节点P上的；优化这两个损失函数以保特征表述后的物体与实际相差最小。

进一步的，变形损失，转换损失以及正则化损失的和为总损失函数，表述如下：

其中λ₁＝50，λ₂＝1是神经网络优化后得到的权重结果。

一种心脏冠脉剪影中导管位置判别系统，包括：

采集模块，用于采集心血管造影二维图像，并通过多角度采集图像后构建三维模型；

联合数据库，用于储存心血管造影二维图像和一一对应的三维模型；

训练模块，用于通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络；分析模块，用于利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型，获得导丝在血管中的位置。

进一步的，训练模块包括校准模块和自由变换训练模块；所述校准模块用于通过数据库二维血管造影图像校准神经网络的参数；所述自由变换训练模块用于通过自由变形方法产生新的特征量，训练深度学习神经网络。

进一步的，自由变换训练模块包括变形模块和优化模块；

所述变形模块用于对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，计算变形后结构的对应坐标；

所述优化模块用于将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络。

本发明是一种基于深度学习的医学图像中心脏冠脉剪影的导管定位方法，该方法有效的通过单张DSA图像还原其对应的三维模型，将二维DSA剪影中不完善的导管位置信息，通过三维重构的方法投射在三维模型上，获取准确的导管位置信息，准确地对病灶部位成像，在不造成患者不便的情况下，不仅回避了多角度成像时患者呼吸等运动造成的图像偏差，同时大大减少了传统定位方法中检测所需的时间(多角度的成像需要多次推入造影剂，多次成像)。

附图说明

图1是实施例心脏冠脉剪影中导管位置判别方法的流程图。

图2是实施例利用卷积神经网学习数据库的流程图。

图3是实施例心脏三维模型重构示意图。

具体实施方案

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

(一)通过大样本二维血管造影图像数据库校准神经网络的参数并通过自由变形方法产生新的特征量，两者相结合训练出新的深度学习神经网络，如附图1左侧部分，其具体训练方法如下：

a)通过3D心脏冠脉模型与单张心脏冠脉剪影一一对应，建立数据库；

b)利用卷积神经网(CNN)学习数据库，如附图2所示，该网络通过重复卷积-池化的过程，一步一步将原本图像中具体的信息抽象化，该网络通过调整权重，将重要的特征量保留，弱化不重要的特征量，经过若干次卷积-池化的过程后通过全连接层，将众多特征量链接成特征图谱。提取冠脉剪影特征值以表述心脏冠脉剪影，并建立特征图谱；

c)对数据库中每组图像对进行网格化，通过加入控制点，建立验证模型与投影间的对应关系，利用自由变形方法分析网状结构，计算变形后结构的对应坐标：

其中，v(s，t，u)是由s，t，u构成的正交坐标系中任意一个网状结构的坐标，P_i，jk是在坐标(i，j，k)的控制节点。

如附图3所示，自由变形后，假设所有控制节点的位移量为ΔP，那么变形后整个组织对应坐标为：

V’＝B(P+ΔP) (2)

模型与投影间的对应关系将被作为新的特征量提取出来，进一步优化特征图谱；

d)将自由变形后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络：

为保证自由变形的精度，采用倒角损失函数，其中，V和V’代表着变形前与变形后的坐标对应。

为保证特征表述的精确，采用损失函数

和

表述如下：

优化这两个损失函数以保证特征表述后的物体与实际相差最小。

根据实验结果，加入适当的权重，结合三个损失函数可以得到：

其中λ₁＝50，λ₂＝1。

(二)在步骤一，c)中的训练模式为反向传播训练，其中验证模型与投影对应关系的方法为西顿光束追踪算法，该算法通过追踪不同角度下三维模型的投影，计算相对器官模型网格化后的坐标。

(三)在心脏冠脉DSA成像中，由于造影剂的存在，图像中血管以及导管的位置相对清晰。本发明利用训练后的深度学习神经网络对输入的单张DSA图像进行预测并还原其对应的三维模型。

(四)在得到还原后的三维模型的情况下，根据二维剪影中导管与血管的相对位置信息，投射在三维模型上，可以得到三维模型下导管的准确位置信息，如附图1右侧部分所示。

综上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种心脏冠脉剪影中导管位置判别方法，其特征在于包括以下步骤：

步骤1：采集心血管造影二维图像，并通过多角度采集图像后构建三维模型；

步骤2：构建心血管造影二维图像和三维模型一一对应的联合数据库；

步骤3：通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络；

步骤4：利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型，获得导丝在血管中的位置。

2.根据权利要求1所述的心脏冠脉剪影中导管位置判别方法，其特征在于：所述步骤3具体包括以下步骤：

步骤3.1：用卷积神经网学习联合数据库，提取冠脉剪影特征值以表述心脏冠脉剪影，并建立特征图谱；

步骤3.2：通过自由变形方法产生新的特征量，训练深度学习神经网络。

3.根据权利要求2所述的心脏冠脉剪影中导管位置判别方法，其特征在于：所述步骤3.1建立特征图谱采用卷积神经网，通过重复卷积-池化的过程，将心血管造影二维图像中具体的信息抽象化，通过调整权重，将重要的特征量保留，弱化不重要的特征量，经过若干次卷积-池化的过程后通过全连接层，将众多特征量链接成特征图谱。

4.根据权利要求2所述的心脏冠脉剪影中导管位置判别方法，其特征在于：所述步骤3.2具体包括以下步骤：

(1)对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，建立大小为(l+1)×(m+1)×(n+1)的立方体，该立方体将目标结构体涵盖其中，通过下式计算结构在立方体坐标系下的对应坐标：

其中，v(s,t,u)是由s,t,u构成的正交坐标系中任意一个网状结构的坐标，P_i,jk是在坐标(i,j,k)的控制节点，即建立的立方体上的点；

其中

为伯恩斯坦多项式；

自由变形后，假设所有控制节点的位移量为△P，变形后整个组织对应坐标为：

V’＝B(P+△P) (2)

其中B为伯恩斯坦多项式，P为原始立方体结构的坐标集，△P为变形后的位移量；

(2)将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络。

5.根据权利要求4所述的心脏冠脉剪影中导管位置判别方法，其特征在于：所述三种损失函数分别为变形损失，转换损失以及正则化损失；

其中，利用倒角损失函数表示变形损失以提高准确度：

其中，V′_pred为预测结果，V_gt为实际结果，nl为原目标结构体进行自由变后形成的模板数量，Li为对应的变形模板，w_Li为该变形模板对应的权重，C代表了倒角损失函数，即：

其中p,q是网格线合集P,Q中的点；最终而论，对于在P或Q中的任一点可以通过倒角损失在另一个点集中查找最近的顶点，并求出所有成对距离的总和；

转换损失以及正则化损失用

和

表示，表述如下：

其中ΔT为变形之后的预测的转换向量，ctr为变形之后实际的转换向量,Li为对应的变形模板，w_Li为该变形模板对应的权重,与变形损失相比较，不同的地方在于ΔP_Li，该损失是定义在控制节点P上的；优化这两个损失函数以保特征表述后的物体与实际相差最小。

6.根据权利要求5所述的心脏冠脉剪影中导管位置判别方法，其特征在于：所述变形损失，转换损失以及正则化损失的和为总损失函数，表述如下：

其中λ₁＝50，λ₂＝1是神经网络优化后得到的权重结果。

7.一种心脏冠脉剪影中导管位置判别系统，其特征在于包括：

采集模块，用于采集心血管造影二维图像，并通过多角度采集图像后构建三维模型；

联合数据库，用于储存心血管造影二维图像和一一对应的三维模型；

训练模块，用于通过联合数据库的图像和模型以及自由变形方法训练深度学习神经网络；

分析模块，用于利用训练好的神经网络对输入的单张心血管造影二维图像进行预测并还原其对应的三维模型，获得导丝在血管中的位置。

8.根据权利要求7所述的心脏冠脉剪影中导管位置判别系统，其特征在于：所述训练模块包括校准模块和自由变换训练模块；所述校准模块用于通过数据库二维血管造影图像校准神经网络的参数；所述自由变换训练模块用于通过自由变形方法产生新的特征量，训练深度学习神经网络。

9.根据权利要7所述的心脏冠脉剪影中导管位置判别系统，其特征在于：所述自由变换训练模块包括变形模块和优化模块；

所述变形模块用于对数据库中每组图像对进行网状分割，通过加入少量控制点，利用自由变形方法分析网状结构，计算变形后结构的对应坐标；

所述优化模块用于将自由形变后的网状结构对应坐标作为新加入的特征量，结合三种损失函数优化现有的神经网络。

Images