CN115761433A - 一种冠状动脉硬化预测的深度学习算法 - Google Patents

Abstract

本发明提供一种冠状动脉硬化预测的深度学习算法，通过深度学习三维图像分割的技术，将CT图像中冠状动脉硬化与其他器官的硬化以及噪声的部分作出区别，更改标注方式，获取硬化位置与其他信息，利于分类不同种类的硬化。本发明中样本图像采用3D卷积神经网络算法进行训练，并使用一个全连接的条件随机场CRF作为后处理步骤，以实现更结构化的预测。CRF能够对任意大的邻域体素进行建模，而且计算效率高，因此本发明的冠状动脉硬化预测的深度学习算法能够避免出现过分割现象，大大提高算法的分割准确率。

Description

一种冠状动脉硬化预测的深度学习算法

技术领域

本发明属于图像处理技术领域，具体涉及一种冠状动脉硬化预测的深度学习算法。

背景技术

冠状动脉是环绕在心脏外周给心肌提供血液的血管。冠状动脉硬化会导致部分心肌无法通过血液得到足够的氧气和营养而逐渐失去功能，进而引发心脏搏动功能障碍。针对心血管疾病的高危险群，通常采用计算机断层扫描的检查，来检测冠状动脉硬化(Coronary Artery Calcification,CAC)的严重程度，其为快速且能准确的判断心血管疾病的一项诊断方法，医生采用标准剂量计算机断层扫描图像做为评估标准，如图1所示，此为一位受检者的一张CT图像，中间白色区块为CAC。

依医院提供的图像来说，经一次CT检查后能得到约56至64张图像，并由医生手动标注多张图像上的冠状动脉硬化位置，而得到一组硬化分数，不过CT图像的检查结果，除了冠状动脉硬化外，部分受检者会有些其他器官的硬化，例如支气管壁上硬化与瓣膜硬化。

通过医生手动标注冠状动脉硬化位置而得到硬化分数，这样效率较低，如果采用图像处理技术，自动化标断层扫描图像，计算硬化分数，将大大提升效率。但由于冠状动脉硬化图像旁边会有其他器官的硬化图像，因此在图像处理时需要将CT图像中冠状动脉硬化与其他器官的硬化以及噪声的部分区别开，这是图像处理的难点。

基于传统图像处理方法的冠脉分割技术一般利用冠脉血管的管状特性，设计相应的血管滤波函数，抑制背景组织，增强血管特征，达到提升对比度的效果。但是在CT图像中，冠脉血管和其他心脏组织的HU值非常相近，所以在随后的冠脉分割过程中极容易出现过分割现象，大大降低算法的分割准确率。

发明内容

本发明的目的在于提供一种冠状动脉硬化预测的深度学习算法，通过深度学习三维图像分割的技术，将CT图像中冠状动脉硬化与其他器官的硬化以及噪声的部分作出区别。

为达到上述目的，本发明采用的技术方案为：

本发明提供一种冠状动脉硬化预测的深度学习算法，包括以下步骤：

1)收集患者的CT图像，经数据前处理将图像筛选好后，建立两个不同HU值所呈现的动态范围的CT图像，心脏区做ROI标注以及人工标注硬化区，得到样本图像；

2)样本图像采用3D卷积神经网络算法进行训练，训练过程分为三个阶段；

第一阶段：修正冠状动脉硬化的标注方式，将原本冠状动脉硬化会出现的区域冠状动脉、左前降支动脉及左回旋支动脉各自分类别的方式更改标注为同一类别，再经过多次3D卷积神经网络算法的校正与调整，获得初次最佳模型；

第二阶段：延续初次最佳模型参数并分为两个部分，把瓣膜硬化大小平均分布去调整并重新训练模型，再建立一个新模型，使用一个全连接的条件随机场CRF进行后处理，人工标注样本，调整深度学习架构的参数；

第三阶段：提升模型精度，将CT图像的所有数据分类，依心脏冠状动脉硬化区域按比例分布，并且把训练样本与测试样本按照同样的比例分配，做训练；

3)将第三阶段训练后得到的模型与冠状动脉硬化分数诊断进行数据预测。

所述第二阶段中，全连接的条件随机场CRF具体如下：

对于3D卷积神经网络处理后给定的图片I和分割的卷标z，CRF模型中的能量(z)为：

其中一元势函数

为对数可能性函数，

P(z_i|I)是3D卷积神经网络对体素i的输出，而在全连接的CRF中，任何一对体素之间形成二元势函数

为：

其中μ(z_i,z_j)＝[z_i≠z_j]，为Pott的模型中常用卷标兼容性函数；

k(f_i,f_j)为能量偿罚函数，定义为在任意特征空间上，f_i,f_j为一对体素的特征向量由观察到如果偿罚函数被定义为高斯核的线性组合；

利用两个高斯核，在由体素坐标P_i,d和体素i的第c通道的强度I_i,c定义的特征空间上运作，平滑核k⁽¹⁾为：

平滑核k⁽¹⁾由一个对角协方差矩阵定义，每个轴有一个可配置参数为

表明相邻区域的大小和形状的标签同构型；

外观核k⁽²⁾为：

当体素在由

所定义的区域内被相同标记时，参数

为c输入通道的强制执行外观的均匀性，最后可配置权重定义两个因子的相对强度。

所述步骤1)中把CT图像中HU值>-500的区域标注出来。

相对于现有技术，本发明的有益效果为：

本发明提供的冠状动脉硬化预测的深度学习算法，通过深度学习三维图像分割的技术，将CT图像中冠状动脉硬化与其他器官的硬化以及噪声的部分作出区别，更改标注方式，获取硬化位置与其他信息，利于分类不同种类的硬化。本发明中样本图像采用3D卷积神经网络算法进行训练，但是由于相邻体素共享大量的空间背景，而且样本的软分割图往往是平稳的，即使相邻的关系不直接建模，而训练中的局部最小值和输入图像中的噪声仍会导致部分伪输出，在预测中会出现漏洞。因此本发明使用一个全连接的条件随机场CRF作为后处理步骤，以实现更结构化的预测。CRF能够对任意大的邻域体素进行建模，而且计算效率高。所以本发明的冠状动脉硬化预测的深度学习算法能够避免出现过分割现象，大大提高算法的分割准确率。

附图说明

图1是背景技术中的受检者CT图像；

图2为本发明冠状动脉硬化预测的深度学习算法的训练流程图；

图3为本发明的冠状动脉硬化预测的深度学习算法的训练结构与验证随周期变化的精确度数据图；

图4为本发明实施例中患者CT图像HU值的原始动态范围图像；

图5为图4中选取的评估CT标准范围图像；

图6为图4中HU值>500的标注区图像；

图7为图4的人工标注图像。

具体实施方式

下面结合附图进一步阐述本发明，以下实例仅用于描述本发明而不用于限制本发明的使用范围，各领域工程技术人员对本发明的各种等价变换均包含在本发明所要求的权力范围内。

本发明提供一种冠状动脉硬化预测的深度学习算法，开发自动化标断层扫描图像计算硬化分数，通过深度学习三维图像分割的技术，将CT图像中冠状动脉硬化、其他器官的硬化以及噪声的部分作出区别。更改标注方式与算法，获取硬化位置与其他信息，利于分类不同种类的硬化。

本发明首先需要收集患者的CT图像，并经数据前处理将图像筛选好后，建立两个不同HU值所呈现的动态范围的CT图像、心脏区做ROI标注以及人工标注硬化区，并进入深度学习建模。

样本图像采用3D卷积神经网络(3DCNN Three-dimensional convolutionalneural network)算法进行训练，但是由于相邻体素(voxel)共享大量的空间背景，而且样本的软分割图往往是平稳的，即使相邻的关系不直接建模，而训练中的局部最小值和输入图像中的噪声仍会导致部分伪输出，在预测中会出现漏洞。因此本发明使用一个全连接的条件随机场(a fully connected Conditional Random Field,CRF)作为后处理步骤，以实现更结构化的预测。CRF能够对任意大的邻域体素进行建模，而且计算效率高，使其成为处理3D多模态医学扫描的理想选择。

对于3DCNN处理后给定的图片I和分割的卷标z，CRF模型中的能量由公式(1)得出：

其中一元势函数

为对数可能性函数，如公式(2)：

其中，P(z_i|I)是CNN对体素i的输出，而在全连接的CRF中，任何一对体素之间形成二元势函数

如公式(3)：

Pott的模型中常用卷标兼容性函数，如公式(4)：

μ(z_i,z_j)＝[z_i≠z_j] (4)

相应的能量偿罚函数由k给出，所述偿罚函数定义在任意特征空间上，f_i,f_j为一对体素的特征向量由观察到如果偿罚函数被定义为高斯核的线性组合，在将信息传递表示为高斯函数在特征向量f_i,f_j空间中的卷积后，该模型可以使用相似平均场进行非常有效的推理。

利用了两个高斯核，在由体素坐标P_i,d和体素i的第c通道的强度I_i,c定义的特征空间上运作。平滑核k⁽¹⁾如公式(5)所示，由一个对角协方差矩阵定义，每个轴有一个可配置参数为

这些参数表明相邻区域的大小和形状的标签同构型。

类似地，外观核k⁽²⁾由公式(6)定义。当体素在由

所定义的区域内被相同标记时，参数

可以解释为c输入通道的强制执行外观的均匀性。最后则可配置权重定义两个因子的相对强度。

本发明的深度学习算法的训练流程如图2所示，分为三个阶段。

第一阶段修正硬化的标注方式，将原本冠状动脉硬化会出现的区域冠状动脉(right coronary artery,RCA)、左前降支动脉(left circumflex artery,LAD)及左回旋支动脉(left coronary artery,LCX)，LCX、LAD和RCA各自分类别的方式更改标注为同一类别，也经过多次算法的校正与调整获得初次最佳模型。

第二阶段则是延续初次最佳模型参数并分为两个部分，把瓣膜硬化大小平均分布去调整并重新训练模型，而后续再建立一个新模型进行后处理，人工标注样本，调整深度学习架构的参数。

第三阶段，提升模型精度，将CT图像的所有数据分类，依心脏冠状动脉硬化区域按比例分布，并且把训练样本与测试样本按照同样的比例分配，做训练。

最后将三阶段的模型与冠状动脉硬化分数诊断进行数据预测，并且评估上述模型何者较佳。训练与验证的精确度与损失随周期变化。图3给出了训练与验证随周期变化的精确度数据图，可以看出在训练6次后精确度提升至大于0.8，训练25次后精确度可达到1。

下面将以一位受检者的单张CT图像，作为数据前处理的说明。

此受检者CT图像分辨率为512x512，CT输出的原始结果，如图4所示，HU(Hounsfield Units)值范围介于-3029至3073。每位受检者的动态范围均不同，最小HU值的范围介于正负2000之间，最大范围则有高达正负6000之间。医生在评估CT图像时，最常使用的HU值范围，CT图像HU值分布介于-135至215之间，如图5所示；把背景与其他位置划分出来，进行ROI标注方式集中学习重点区，因为背景本身差异度不大，使预测精度高，背景区又占整张图像的一半，以致提高整体精确率，没办法明确判断ROI的区域。所以针对参数设定上把CT图像中HU>-500的区域标注起来，如图6所示，深度学习会针对此区域在计算loss时，给予较高的权重，在计算损失时，若为标注的区块，其数值的权重比例高，将被放大作为重点学习区块，反之若未标注，则在权重上没有分别，而使用的损失函数为cross entropy；图7为举例人工标注的CT图像，分为背景区、冠状动脉硬化、主动脉硬化加瓣膜硬化和骨头组织加噪声，总共四种类别的标注。上述四种形式的数据，作为深度学习训练的样本应该具备的前处理数据，随后才能进入模型中训练。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变换，均仍属于本发明技术方案的保护范围内。

Claims (3)

1.一种冠状动脉硬化预测的深度学习算法，其特征在于，包括以下步骤：

1)收集患者的CT图像，经数据前处理将图像筛选好后，建立两个不同HU值所呈现的动态范围的CT图像，心脏区做ROI标注以及人工标注硬化区，得到样本图像；

2)样本图像采用3D卷积神经网络算法进行训练，训练过程分为三个阶段；

第一阶段：修正冠状动脉硬化的标注方式，将原本冠状动脉硬化会出现的区域冠状动脉、左前降支动脉及左回旋支动脉各自分类别的方式更改标注为同一类别，再经过多次3D卷积神经网络算法的校正与调整，获得初次最佳模型；

第二阶段：延续初次最佳模型参数并分为两个部分，把瓣膜硬化大小平均分布去调整并重新训练模型，再建立一个新模型，使用一个全连接的条件随机场CRF进行后处理，人工标注样本，调整深度学习架构的参数；

第三阶段：提升模型精度，将CT图像的所有数据分类，依心脏冠状动脉硬化区域按比例分布，并且把训练样本与测试样本按照同样的比例分配，做训练；

3)将第三阶段训练后得到的模型与冠状动脉硬化分数诊断进行数据预测。

2.根据权利要求1所述的冠状动脉硬化预测的深度学习算法，其特征在于：所述第二阶段中，全连接的条件随机场CRF具体如下：

对于3D卷积神经网络处理后给定的图片I和分割的卷标z，CRF模型中的能量(z)为：

其中一元势函数

为对数可能性函数，

P(z_i|I)是3D卷积神经网络对体素i的输出，而在全连接的CRF中，任何一对体素之间形成二元势函数

为：

其中μ(z_i,z_j)＝[z_i≠z_j]，为Pott的模型中常用卷标兼容性函数；

k(f_i,f_j)为能量偿罚函数，定义为在任意特征空间上，f_i,f_j为一对体素的特征向量由观察到如果偿罚函数被定义为高斯核的线性组合；

利用两个高斯核，在由体素坐标P_i,d和体素i的第c通道的强度I_i,c定义的特征空间上运作，平滑核k⁽¹⁾为：

平滑核k⁽¹⁾由一个对角协方差矩阵定义，每个轴有一个可配置参数为

表明相邻区域的大小和形状的标签同构型；

外观核k⁽²⁾为：

当体素在由

所定义的区域内被相同标记时，参数

为c输入通道的强制执行外观的均匀性，最后可配置权重定义两个因子的相对强度。

3.根据权利要求1所述的冠状动脉硬化预测的深度学习算法，其特征在于：所述步骤1)中把CT图像中HU值>-500的区域标注出来。

Images