CN116740041A - 基于机器视觉的cta扫描图像分析系统及其方法 - Google Patents

基于机器视觉的cta扫描图像分析系统及其方法 Download PDF

Info

Publication number
CN116740041A
CN116740041A CN202310765669.9A CN202310765669A CN116740041A CN 116740041 A CN116740041 A CN 116740041A CN 202310765669 A CN202310765669 A CN 202310765669A CN 116740041 A CN116740041 A CN 116740041A
Authority
CN
China
Prior art keywords
pulmonary artery
feature
classification
matrix
feature matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310765669.9A
Other languages
English (en)
Other versions
CN116740041B (zh
Inventor
马静
马钦
付鹏刚
安甲佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjiang Production And Construction Corps Hospital
Original Assignee
Xinjiang Production And Construction Corps Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinjiang Production And Construction Corps Hospital filed Critical Xinjiang Production And Construction Corps Hospital
Priority to CN202310765669.9A priority Critical patent/CN116740041B/zh
Publication of CN116740041A publication Critical patent/CN116740041A/zh
Application granted granted Critical
Publication of CN116740041B publication Critical patent/CN116740041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0463—Neocognitrons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Databases & Information Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Multimedia (AREA)
  • Dentistry (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Vascular Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种基于机器视觉的CTA扫描图像分析系统及其方法，其获取肺动脉CTA扫描图像；采用基于深度学习的人工智能技术，进行所述肺动脉CTA扫描图像中关于肺动脉的隐含特征分布信息的充分表达，以此来进行肺动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且，便于患者早期治疗。

Description

基于机器视觉的CTA扫描图像分析系统及其方法
技术领域
本申请涉及智能化分析技术领域，并且更具体地，涉及一种基于机器视觉的CTA扫描图像分析系统及其方法。
背景技术
胸痛三联征(chest pain triple-rule-out，TRO)主要表现为急性胸痛发作的3种疾病及并发症，临床上最常见的病因包括急性冠状动脉综合征(ACS)、肺动脉栓塞(PE)和胸腹主动脉夹层(AD)。
急性胸痛是急诊科及心血管内科最常见的疾病之一，起病很急，发病凶险可危及生命，临床症状主要表现为胸痛、呼吸困难和咯血等。然而，急性胸痛是临床上最常见的症状之一，是以胸痛为主要表现的一组异质性疾病群。不同病因导致的胸痛症状既相似，又有不同特征，具体可表现为不同部位、不同性质和不同程度的疼痛，且伴随症状亦可不同。因此，若仅凭临床症状及实验室检查难以及时确诊，而且实验室和超声等检查耗时长，不利于TRO早期诊断。不仅如此，常规的CT检查也只能满足单项的CTA检查，不能同时兼顾三种疾病，很容易忽略ACS、PE或AD其中一到两个疾病的检出，容易出现误诊或漏诊。
因此，期望一种优化的基于机器视觉的CTA扫描图像分析系统，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于机器视觉的CTA扫描图像分析系统及其方法，其获取肺动脉CTA扫描图像；采用基于深度学习的人工智能技术，进行所述肺动脉CTA扫描图像中关于肺动脉的隐含特征分布信息的充分表达，以此来进行肺动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且，便于患者早期治疗。
第一方面，提供了一种基于机器视觉的CTA扫描图像分析系统，其包括：
扫描图像采集模块，用于获取肺动脉CTA扫描图像；
图像预处理模块，用于对所述肺动脉CTA扫描图像进行图像预处理以得到预处理后肺动脉CTA扫描图像；
多尺度特征感知模块，用于将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；
双向注意力增强模块，用于将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
扫描结果检测模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示肺动脉CTA扫描结果是否正常。
第二方面，提供了一种基于机器视觉的CTA扫描图像分析方法，其包括：
获取肺动脉CTA扫描图像；
对所述肺动脉CTA扫描图像进行图像预处理以得到预处理后肺动脉CTA扫描图像；
将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；
将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示肺动脉CTA扫描结果是否正常。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统的框图。
图2为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统中所述多尺度特征感知模块的框图。
图3为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统中所述双向注意力增强模块的框图。
图4为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统中所述特征优化模块的框图。
图5为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统中所述扫描结果检测模的框图。
图6为根据本申请实施例的基于机器视觉的CTA扫描图像分析方法的流程图。
图7为根据本申请实施例的基于机器视觉的CTA扫描图像分析方法的系统架构的示意图。
图8为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统的应用场景图。
具体实施方式
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描述，显然，所描述的实施例是本申请一部分实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本申请的一个实施例中，图1为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统的框图。如图1所示，根据本申请实施例的基于机器视觉的CTA扫描图像分析系统100，包括：扫描图像采集模块110，用于获取肺动脉CTA扫描图像；图像预处理模块120，用于对所述肺动脉CTA扫描图像进行图像预处理以得到预处理后肺动脉CTA扫描图像；多尺度特征感知模块130，用于将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；双向注意力增强模块140，用于将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵；特征优化模块150，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，扫描结果检测模块160，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示肺动脉CTA扫描结果是否正常。
具体地，在本申请实施例中，所述扫描图像采集模块110，用于获取肺动脉CTA扫描图。如上所述，急性胸痛是临床上最常见的症状之一，是以胸痛为主要表现的一组异质性疾病群。因不同病因导致的胸痛症状既相似，又有不同特征，具体可表现为不同部位、不同性质和不同程度的疼痛，且伴随症状亦可不同。因此，若仅凭临床症状及实验室检查难以及时确诊，而且实验室和超声等检查耗时长，不利于TRO早期诊断。不仅如此，常规的CT检查也只能满足单项的CTA检查，不能同时兼顾三种疾病，很容易忽略ACS、PE或AD其中一到两个疾病的检出，容易出现误诊或漏诊。因此，期望一种优化的基于机器视觉的CTA扫描图像分析系统，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率。
相应地，考虑到在实际使用基于机器视觉的CTA扫描图像分析系统来辅助医生进行胸痛三联征的诊断的过程中，对于肺动脉CTA扫描图像中关于肺动脉的隐性特征信息进行充分捕捉尤为关键，其能够基于对肺动脉CTA扫描图像的分析来实现对于肺动脉CTA扫描结果是否正常的检测判断。但是，由于肺动脉是身体内部的组织器官，导致采集的所述肺动脉CTA扫描图像难免会受到多种因素的影响而存在噪声，导致图像中关于肺动脉的特征信息变得模糊。并且所述肺动脉CTA扫描图像中存在有大量的信息量，而关于肺动脉的特征信息在实际监测的过程中为小尺度的隐性特征信息，难以进行充分捕捉。因此，在此过程中，难点在于如何进行所述肺动脉CTA扫描图像中关于肺动脉的隐含特征分布信息的充分表达，以此来进行肺动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且，便于患者早期治疗。
基于多层螺旋CT成像技术的快速发展：拥有宽体探测器、高时间分辨率、成像速度快及低辐射剂量等技术被广泛地应用于临床，使冠状动脉、肺动脉及主动脉血管同时成像成为可能。“一站式”CTA扫描技术即：只需注射一次造影剂，一次CT扫描，即可获得冠状动脉、肺动脉及主动脉图像，通过CT扫描技术并进行图像后处理，可同时评估肺动脉、主动脉及冠状动脉情况，缩短了病因诊断时间，大大提高了诊断效率。因此，一站式CTA扫描对急性胸痛早期诊断具有快速、准确、无创等优点。
相应地，考虑到在实际使用基于机器视觉的CTA扫描图像分析系统来辅助医生进行胸痛三联征的诊断的过程中，对于肺动脉CTA扫描图像中关于肺动脉的隐性特征信息进行充分捕捉尤为关键，其能够基于对肺动脉CTA扫描图像的分析来实现对于肺动脉CTA扫描结果是否正常的检测判断。但是，由于肺动脉是身体内部的组织器官，导致采集的所述肺动脉CTA扫描图像难免会受到多种因素的影响而存在噪声，导致图像中关于肺动脉的特征信息变得模糊。并且所述肺动脉CTA扫描图像中存在有大量的信息量，而关于肺动脉的特征信息在实际监测的过程中为小尺度的隐性特征信息，难以进行充分捕捉。因此，在此过程中，难点在于如何进行所述肺动脉CTA扫描图像中关于肺动脉的隐含特征分布信息的充分表达，以此来进行肺动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且，便于患者早期治疗。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述肺动脉CTA扫描图像中关于肺动脉的隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取肺动脉CTA扫描图像。
具体地，在本申请实施例中，所述图像预处理模块120，用于对所述肺动脉CTA扫描图像进行图像预处理以得到预处理后肺动脉CTA扫描图像。应可以理解，在实际进行肺动脉CTA扫描中，所述肺动脉CTA扫描图像的质量往往受到多种影响因素的干扰，比如患者的移动、伪影和噪声等。因此，为了能够提高后续关于肺动脉隐含特征的表达能力，在本申请的技术方案中，进一步对所述肺动脉CTA扫描图像进行图像预处理以得到预处理后肺动脉CTA扫描图像。
特别地，这里，所述图像预处理包括但不局限于图像灰度处理、图像降噪处理和图像增强处理。具体来说，对所述肺动脉CTA扫描图像进行图像灰度处理，能够将图像转换为灰度图像，以通过将彩色图像转化为灰度图像可以有利于提取图像的结构特征，使得对肺动脉CTA扫描图像的定量分析更加方便和准确；对所述肺动脉CTA扫描图像进行图像降噪处理，能够有效消除影响图像质量和准确性的噪声，保证后续图像处理和分析的准确性，同时提高图像的清晰度和辨识度；对所述肺动脉CTA扫描图像进行图像增强处理，可以增加图像对比度，去除图像中的干扰信息，使得一些不明显的病变更加清晰明了，进一步提高了图像的准确性和可靠性。
进一步地，对肺动脉CTA扫描图像进行图像预处理的目的是为了去除图像中的噪声、增强血管结构、减少计算量等。在本申请的其他实施例中，图像预处理方法包括但不限于去噪：使用高斯滤波、中值滤波等方法去除噪声；增强：使用直方图均衡化、CLAHE等方法增强血管结构的对比度；分割：使用阈值分割、边缘检测等方法将血管结构从背景中分离出来；形态学处理：使用膨胀、腐蚀等方法去除小的孔洞或填补小的空洞；矫正：使用旋转、平移等方法将图像矫正到正确的位置。这些方法可以单独或组合使用，根据具体情况选择合适的预处理方法。
具体地，在本申请实施例中，所述多尺度特征感知模块130，用于将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核。
然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述预处理后肺动脉CTA扫描图像的特征挖掘，以提取出所述预处理后肺动脉CTA扫描图像中关于肺动脉的隐含特征信息。特别地，考虑到由于肺动脉的各个局部特征之间具有着关联关系，并且在所述肺动脉的各个局部区域上的不同位置之间呈现出不同的关联特征信息，这些不同区域的局部特征之间的关联特征信息对于胸痛三联征的辅助诊断有着关键意义。
因此，为了能够充分进行所述预处理后肺动脉CTA扫描图像的特征表达，在本申请的技术方案中，进一步将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵。值得一提的是，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核，以此来提取出所述预处理后肺动脉CTA扫描图像中关于肺动脉的不同局部区域的隐含多尺度关联特征信息。
换言之，将预处理后的肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器，可以得到多尺度肺动脉CTA扫描特征矩阵。其中，第一卷积神经网络模型和第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核。这种方法可以在不增加网络参数的情况下增加感受野，从而提高特征提取的效果。具体来说，多尺度特征感知器包括两个部分：第一部分是包含具有不同空洞率的空洞卷积核的第一卷积神经网络模型，用于提取不同尺度的特征；第二部分是包含具有不同空洞率的空洞卷积核的第二卷积神经网络模型，用于进一步提取多尺度的特征。这些特征可以被组合成一个多尺度特征矩阵，用于后续的分类和分割任务。
图2为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统中所述多尺度特征感知模块的框图，如图2所示，所述多尺度特征感知模块130，包括：第一尺度特征提取单元131，用于使用所述多尺度特征感知器的第一卷积神经网络模型的各层在层的正向传递中对所述预处理后肺动脉CTA扫描图像分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为第一尺度肺动脉特征矩阵，其中，所述第一卷积神经网络模型具有第一空洞率的空洞卷积核；第二尺度特征提取单元132，用于使用所述多尺度特征感知器的第二卷积神经网络模型的各层在层的正向传递中对所述预处理后肺动脉CTA扫描图像分别进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层的输出为第二尺度肺动脉特征矩阵，其中，所述第二卷积神经网络模型具有第二空洞率的空洞卷积核，所述第一空洞率不同于所述第二空洞率；以及，多尺度级联单元133，用于将所述第一尺度肺动脉特征矩阵和所述第二尺度肺动脉特征矩阵进行级联以得到所述多尺度肺动脉CTA扫描特征矩阵。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
其中，多尺度特征感知器是一种常用的卷积神经网络结构，它包含第一卷积神经网络模型和第二卷积神经网络模型，用于提取多尺度的特征。这种结构的优点在于：1.多尺度特征提取：通过在第一卷积神经网络模型和第二卷积神经网络模型中使用具有不同空洞率的空洞卷积核，可以提取不同尺度的特征。这些特征可以被组合成一个多尺度特征矩阵，用于后续的分类和分割任务。2.减少过拟合：由于多尺度特征感知器中包含的两个卷积神经网络模型在结构上是不同的，因此可以减少过拟合的风险，提高模型的泛化能力。3.提高特征表达能力：通过使用空洞卷积核，可以增加每个卷积核的感受野，从而提高特征表达能力。4.减少计算量：由于多尺度特征感知器中的两个卷积神经网络模型共享一部分参数，因此可以减少计算量，提高模型的运行速度。
总之，多尺度特征感知器是一种有效的卷积神经网络结构，可以提高特征的表达能力和泛化能力，减少计算量，从而在肺动脉CTA扫描图像的分类和分割任务中发挥重要的作用。
具体地，在本申请实施例中，所述双向注意力增强模块140，用于将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵。进一步地，考虑到由于肺动脉的特征复杂多样,保留和传递浅层细节特征对提高算法检测的准确率非常重要。因此，期望在U-Net网络中,通过跳跃连接将编码器的特征信息直接传递到解码器,实现浅层特征与深层特征融合,补充解码器细节特征信息,但这种在同尺度之间特征直接传递的方式过于简单，没有对肺动脉的特征信息进行筛选,进而无法有效对肺动脉的病理隐含特征进行充分表达。
因此，在本申请的技术方案中，进一步使用双向注意力机制模块来对所述多尺度肺动脉CTA扫描特征矩阵进行处理以得到分类特征矩阵。这样，能够充分利用上下文信息来增强肺动脉的特征响应和抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个多尺度肺动脉CTA扫描特征矩阵的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
应可以理解，将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵，一方面可以捕捉不同尺度特征之间的关系：多尺度特征矩阵可以捕捉到不同尺度的特征信息，而双向注意力机制模块可以帮助我们更好地捕捉这些特征之间的关系，从而更好地理解图像中的信息。另一方面可以提高特征表达能力：双向注意力机制模块可以帮助我们更好地捕捉到每个特征在整个特征矩阵中的重要性，从而提高特征的表达能力。再一方面可以减少噪声的影响：通过双向注意力机制模块，我们可以更加关注重要的特征，减少噪声的影响，从而提高分类的准确性。通过将多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块，可以提高特征表达能力，捕捉不同尺度特征之间的关系，减少噪声的影响，从而提高分类的准确性。
图3为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统中所述双向注意力增强模块的框图，如图3所示，所述双向注意力增强模块140，包括：池化单元141，用于将所述多尺度肺动脉CTA扫描特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元142，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元143，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，特征矩阵计算单元144，用于计算所述双向关联权重矩阵和所述多尺度肺动脉CTA扫描特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
双向注意力机制模块是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说，双向注意力机制模块对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
进一步地，双向注意力机制模块是一种常用于自然语言处理和图像处理领域的机制，用于捕捉输入序列之间的关系。在自然语言处理中，输入序列可以是单词或句子，而在图像处理中，输入序列可以是像素或特征向量。双向注意力机制模块的主要思想是，对于每个输入序列中的元素，都计算其与其他元素的关联程度，然后根据这些关联程度来加权计算每个元素的表示。这样，模块就可以自动地学习输入序列中元素之间的关系，从而更好地处理序列数据。
在双向注意力机制模块中，有两个注意力机制：前向注意力机制和后向注意力机制。前向注意力机制用于计算每个元素与后续元素的关联程度，而后向注意力机制用于计算每个元素与前面元素的关联程度。这样，每个元素的表示就可以同时考虑前面和后面的元素，从而更好地捕捉序列中的关系。
具体地，在本申请实施例中，所述特征优化模块150，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。图4为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统中所述特征优化模块的框图，如图4所示，所述特征优化模块150，包括：优化因数计算单元151，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数；以及，加权优化单元152，用于以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
换言之，首先，需要计算分类特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数，以获得多个位置信息图式场景注意力无偏估计因数。这些因数可以用来衡量每个位置在分类决策中的重要性，并且可以被视为加权系数。接下来，需要使用这些位置信息图式场景注意力无偏估计因数作为加权系数，对分类特征矩阵的各个位置特征值进行加权优化，以得到优化后的分类特征矩阵。这样可以使得分类器更加关注那些对分类决策最有贡献的位置，从而提高分类器的预测精度。这样，可以让分类器能够更加准确地判断不同位置的特征对分类结果的影响程度，从而提高分类器的效果。
特别地，在本申请的技术方案中，考虑到所述预处理后肺动脉CTA扫描图像的每个像素表达的图像语义，在通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器进行多尺度关联图像语义特征提取后，所得到的所述多尺度肺动脉CTA扫描特征矩阵的每个位置的特征值会具有相应的位置属性。并且，在通过双向注意力机制模块进行了基于行方向加权和列方向加权的局部空间分布强化之后，得到的所述分类特征矩阵由于进一步的空间分布强化而具有更值得注意的逐位置属性。
但是，在将所述分类特征矩阵通过分类器进行分类时，需要将所述分类特征矩阵展开为分类特征向量，实质上相当于对所述分类特征矩阵进行了特征值的按位置聚合，因此，期望能够提升所述分类特征矩阵的各个特征值在按位置聚合时对于所述分类特征矩阵的原特征流形的表达效果。
基于此，本申请的申请人计算所述分类特征矩阵的每个位置的特征值的位置信息图式场景注意力无偏估计因数，表示为：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数；其中，所述优化公式为：
其中，fi是所述分类特征矩阵中各个位置特征值，(xi,yi)为所述分类特征矩阵的各个位置特征值的位置坐标，且是所述分类特征矩阵的所有特征值的全局均值，/>和分别代表不同的将二维实数映射为一维实数的函数，W和H分别是所述分类特征矩阵的宽度和高度，log表示以2为底的对数函数，wi表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
这里，所述位置信息图式场景注意力无偏估计因数通过使用融合特征值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示和高维特征本身的信息表示的更高阶的特征表达，来在特征值对整体特征分布的按位置聚合时进一步进行特征流形的形状信息聚合，以实现高维空间内的基于特征流形的各个子流形集合形状分布的场景几何的无偏估计，以准确表达特征矩阵的流形形状的几何性质。这样，通过以所述位置信息图式场景注意力无偏估计因数对所述分类特征矩阵的各个位置的特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在按位置聚合时对于所述分类特征矩阵的原特征流形的表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够进行肺动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，便于患者进行早期治疗。
具体地，在本申请实施例中，所述扫描结果检测模块160，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示肺动脉CTA扫描结果是否正常。接着，进一步再将所述分类特征矩阵通过分类器中进行分类处理，以得到用于表示肺动脉CTA扫描结果是否正常的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括肺动脉CTA扫描结果正常(第一标签)，以及，肺动脉CTA扫描结果不正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。
值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“肺动脉CTA扫描结果是否正常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，肺动脉CTA扫描结果是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“肺动脉CTA扫描结果是否正常”的语言文本意义。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为肺动脉CTA扫描结果是否正常的检测评估控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来进行肺动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断。
分类器是一种机器学习模型，它可以将输入数据映射到不同的类别中。在这个场景下，分类器的作用是将优化后的分类特征矩阵作为输入，然后输出一个分类结果，用于表示肺动脉CTA扫描结果是否正常。分类器可以使用各种不同的算法来实现，例如支持向量机(SVM)、决策树、随机森林、神经网络等。在这个场景中，可以使用深度学习模型，如卷积神经网络(CNN)或递归神经网络(RNN)等来实现分类器。
通过使用优化后的分类特征矩阵作为输入，分类器可以学习到不同位置特征对于肺动脉CTA扫描结果的影响程度，并将这些信息用于分类决策。这样可以提高分类器的预测精度，从而更加准确地表示肺动脉CTA扫描结果是否正常。这个分类器可以作为一个辅助工具，以更快速、准确地诊断肺动脉CTA扫描结果是否正常，从而提高诊断效率和准确性。
图5为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统中所述扫描结果检测模的框图，如图5所示，所述扫描结果检测模块160，包括：矩阵展开单元161，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元162，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元163，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的基于机器视觉的CTA扫描图像分析系统100被阐明，其获取肺动脉CTA扫描图像；采用基于深度学习的人工智能技术，进行所述肺动脉CTA扫描图像中关于肺动脉的隐含特征分布信息的充分表达，以此来进行肺动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且，便于患者早期治疗。
如上所述，根据本申请实施例的基于机器视觉的CTA扫描图像分析系统100可以实现在各种终端设备中，例如用于基于机器视觉的CTA扫描图像分析的服务器等。在一个示例中，根据本申请实施例的基于机器视觉的CTA扫描图像分析系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于机器视觉的CTA扫描图像分析系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于机器视觉的CTA扫描图像分析系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于机器视觉的CTA扫描图像分析系统100与该终端设备也可以是分立的设备，并且该基于机器视觉的CTA扫描图像分析系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图6为根据本申请实施例的基于机器视觉的CTA扫描图像分析方法的流程图。图7为根据本申请实施例的基于机器视觉的CTA扫描图像分析方法的系统架构的示意图。如图6和图7所示，根据本申请实施例的基于机器视觉的CTA扫描图像分析方法，其包括：210，获取肺动脉CTA扫描图像；220，对所述肺动脉CTA扫描图像进行图像预处理以得到预处理后肺动脉CTA扫描图像；230，将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；240，将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵；250，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，260，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示肺动脉CTA扫描结果是否正常。
在一个具体示例中，在上述基于机器视觉的CTA扫描图像分析方法中，将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，包括：使用所述多尺度特征感知器的第一卷积神经网络模型的各层在层的正向传递中对所述预处理后肺动脉CTA扫描图像分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为第一尺度肺动脉特征矩阵，其中，所述第一卷积神经网络模型具有第一空洞率的空洞卷积核；使用所述多尺度特征感知器的第二卷积神经网络模型的各层在层的正向传递中对所述预处理后肺动脉CTA扫描图像分别进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层的输出为第二尺度肺动脉特征矩阵，其中，所述第二卷积神经网络模型具有第二空洞率的空洞卷积核，所述第一空洞率不同于所述第二空洞率；以及，将所述第一尺度肺动脉特征矩阵和所述第二尺度肺动脉特征矩阵进行级联以得到所述多尺度肺动脉CTA扫描特征矩阵。
在一个具体示例中，在上述基于机器视觉的CTA扫描图像分析方法中，将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵，包括：将所述多尺度肺动脉CTA扫描特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，计算所述双向关联权重矩阵和所述多尺度肺动脉CTA扫描特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在一个具体示例中，在上述基于机器视觉的CTA扫描图像分析方法中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：计算所述分类特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数；以及，以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
本领域技术人员可以理解，上述基于机器视觉的CTA扫描图像分析方法中的各个步骤的具体操作已经在上面参考图1到图5的基于机器视觉的CTA扫描图像分析系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图8为根据本申请实施例的基于机器视觉的CTA扫描图像分析系统的应用场景图。如图8所示，在该应用场景中，首先，获取肺动脉CTA扫描图像(例如，如图8中所示意的C)；然后，将获取的肺动脉CTA扫描图像输入至部署有基于机器视觉的CTA扫描图像分析算法的服务器(例如，如图8中所示意的S)中，其中所述服务器能够基于机器视觉的CTA扫描图像分析算法对所述肺动脉CTA扫描图进行处理，以生成用于表示肺动脉CTA扫描结果是否正确的分类结果。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于机器视觉的CTA扫描图像分析系统，其特征在于，包括：
扫描图像采集模块，用于获取肺动脉CTA扫描图像；
图像预处理模块，用于对所述肺动脉CTA扫描图像进行图像预处理以得到预处理后肺动脉CTA扫描图像；
多尺度特征感知模块，用于将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；
双向注意力增强模块，用于将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
扫描结果检测模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示肺动脉CTA扫描结果是否正常。
2.根据权利要求1所述的基于机器视觉的CTA扫描图像分析系统，其特征在于，所述多尺度特征感知模块，包括：
第一尺度特征提取单元，用于使用所述多尺度特征感知器的第一卷积神经网络模型的各层在层的正向传递中对所述预处理后肺动脉CTA扫描图像分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为第一尺度肺动脉特征矩阵，其中，所述第一卷积神经网络模型具有第一空洞率的空洞卷积核；
第二尺度特征提取单元，用于使用所述多尺度特征感知器的第二卷积神经网络模型的各层在层的正向传递中对所述预处理后肺动脉CTA扫描图像分别进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层的输出为第二尺度肺动脉特征矩阵，其中，所述第二卷积神经网络模型具有第二空洞率的空洞卷积核，所述第一空洞率不同于所述第二空洞率；以及
多尺度级联单元，用于将所述第一尺度肺动脉特征矩阵和所述第二尺度肺动脉特征矩阵进行级联以得到所述多尺度肺动脉CTA扫描特征矩阵。
3.根据权利要求2所述的基于机器视觉的CTA扫描图像分析系统，其特征在于，所述双向注意力增强模块，包括：
池化单元，用于将所述多尺度肺动脉CTA扫描特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及
特征矩阵计算单元，用于计算所述双向关联权重矩阵和所述多尺度肺动脉CTA扫描特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
4.根据权利要求3所述的基于机器视觉的CTA扫描图像分析系统，其特征在于，所述特征优化模块，包括：
优化因数计算单元，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数；以及
加权优化单元，用于以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
5.根据权利要求4所述的基于机器视觉的CTA扫描图像分析系统，其特征在于，所述优化因数计算单元，用于：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数；
其中，所述优化公式为：
其中，fi是所述分类特征矩阵中各个位置特征值，(xi,yi)为所述分类特征矩阵的各个位置特征值的位置坐标，且是所述分类特征矩阵的所有特征值的全局均值，/>和分别代表不同的将二维实数映射为一维实数的函数，W和H分别是所述分类特征矩阵的宽度和高度，log表示以2为底的对数函数，wi表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
6.根据权利要求5所述的基于机器视觉的CTA扫描图像分析系统，其特征在于，所述扫描结果检测模块，包括：
矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种基于机器视觉的CTA扫描图像分析方法，其特征在于，包括：
获取肺动脉CTA扫描图像；
对所述肺动脉CTA扫描图像进行图像预处理以得到预处理后肺动脉CTA扫描图像；
将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；
将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵；
对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示肺动脉CTA扫描结果是否正常。
8.根据权利要求7所述的基于机器视觉的CTA扫描图像分析方法，其特征在于，将所述预处理后肺动脉CTA扫描图像通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度肺动脉CTA扫描特征矩阵，包括：
使用所述多尺度特征感知器的第一卷积神经网络模型的各层在层的正向传递中对所述预处理后肺动脉CTA扫描图像分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层的输出为第一尺度肺动脉特征矩阵，其中，所述第一卷积神经网络模型具有第一空洞率的空洞卷积核；
使用所述多尺度特征感知器的第二卷积神经网络模型的各层在层的正向传递中对所述预处理后肺动脉CTA扫描图像分别进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层的输出为第二尺度肺动脉特征矩阵，其中，所述第二卷积神经网络模型具有第二空洞率的空洞卷积核，所述第一空洞率不同于所述第二空洞率；以及
将所述第一尺度肺动脉特征矩阵和所述第二尺度肺动脉特征矩阵进行级联以得到所述多尺度肺动脉CTA扫描特征矩阵。
9.根据权利要求8所述的基于机器视觉的CTA扫描图像分析方法，其特征在于，将所述多尺度肺动脉CTA扫描特征矩阵通过双向注意力机制模块以得到分类特征矩阵，包括：
将所述多尺度肺动脉CTA扫描特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及
计算所述双向关联权重矩阵和所述多尺度肺动脉CTA扫描特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
10.根据权利要求9所述的基于机器视觉的CTA扫描图像分析方法，其特征在于，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：
计算所述分类特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数；以及
以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
CN202310765669.9A 2023-06-27 2023-06-27 基于机器视觉的cta扫描图像分析系统及其方法 Active CN116740041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310765669.9A CN116740041B (zh) 2023-06-27 2023-06-27 基于机器视觉的cta扫描图像分析系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310765669.9A CN116740041B (zh) 2023-06-27 2023-06-27 基于机器视觉的cta扫描图像分析系统及其方法

Publications (2)

Publication Number Publication Date
CN116740041A true CN116740041A (zh) 2023-09-12
CN116740041B CN116740041B (zh) 2024-04-26

Family

ID=87913161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310765669.9A Active CN116740041B (zh) 2023-06-27 2023-06-27 基于机器视觉的cta扫描图像分析系统及其方法

Country Status (1)

Country Link
CN (1) CN116740041B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118039088A (zh) * 2024-04-15 2024-05-14 达州爱迦飞诗特科技有限公司 一种人工智能辅助诊断数据处理系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730497A (zh) * 2017-10-27 2018-02-23 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法
CN110598713A (zh) * 2019-08-06 2019-12-20 厦门大学 基于深度神经网络的智能图像自动描述方法
US20200311878A1 (en) * 2019-04-01 2020-10-01 Canon Medical Systems Corporation Apparatus and method for image reconstruction using feature-aware deep learning
WO2021196632A1 (zh) * 2020-03-30 2021-10-07 中国科学院深圳先进技术研究院 一种全景数字病理图像智能分析系统及方法
CN113689542A (zh) * 2021-08-02 2021-11-23 华东师范大学 一种基于自注意力Transformer的超声或CT医学影像三维重建方法
CN113744183A (zh) * 2021-07-27 2021-12-03 山东师范大学 肺结节检测方法及系统
KR20220050758A (ko) * 2020-10-16 2022-04-25 현대자동차주식회사 다차원 어텐션 메커니즘에 기반한 다방향 장면 텍스트 인식 방법 및 시스템
CN114519722A (zh) * 2022-02-17 2022-05-20 东北大学 一种基于卷积神经网络的颈动脉提取方法
CN114897780A (zh) * 2022-04-12 2022-08-12 南通大学 一种基于mip序列的肠系膜上动脉血管重建方法
CN115861709A (zh) * 2022-12-20 2023-03-28 台州科技职业学院 基于卷积神经网络的智能视觉检测设备及其方法
CN115909260A (zh) * 2022-09-28 2023-04-04 华能伊敏煤电有限责任公司 基于机器视觉的作业场所入侵预警方法及其系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730497A (zh) * 2017-10-27 2018-02-23 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法
US20200311878A1 (en) * 2019-04-01 2020-10-01 Canon Medical Systems Corporation Apparatus and method for image reconstruction using feature-aware deep learning
CN110598713A (zh) * 2019-08-06 2019-12-20 厦门大学 基于深度神经网络的智能图像自动描述方法
WO2021196632A1 (zh) * 2020-03-30 2021-10-07 中国科学院深圳先进技术研究院 一种全景数字病理图像智能分析系统及方法
KR20220050758A (ko) * 2020-10-16 2022-04-25 현대자동차주식회사 다차원 어텐션 메커니즘에 기반한 다방향 장면 텍스트 인식 방법 및 시스템
CN113744183A (zh) * 2021-07-27 2021-12-03 山东师范大学 肺结节检测方法及系统
CN113689542A (zh) * 2021-08-02 2021-11-23 华东师范大学 一种基于自注意力Transformer的超声或CT医学影像三维重建方法
CN114519722A (zh) * 2022-02-17 2022-05-20 东北大学 一种基于卷积神经网络的颈动脉提取方法
CN114897780A (zh) * 2022-04-12 2022-08-12 南通大学 一种基于mip序列的肠系膜上动脉血管重建方法
CN115909260A (zh) * 2022-09-28 2023-04-04 华能伊敏煤电有限责任公司 基于机器视觉的作业场所入侵预警方法及其系统
CN115861709A (zh) * 2022-12-20 2023-03-28 台州科技职业学院 基于卷积神经网络的智能视觉检测设备及其方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
F. GONT; HUAWEI TECHNOLOGIES; T. CHOWN; UNIVERSITY OF SOUTHAMPTON;: "Network Reconnaissance in IPv6 Networks draft-ietf-opsec-ipv6-host-scanning-08", IETF, 28 August 2015 (2015-08-28) *
J. YANG;L. XIA;HUAWEI;: "Active-Scanning profiles for IoT devices draft-yang-opsawg-iot-devices-active-scanning-00", IETF, 6 March 2020 (2020-03-06) *
王德才;: "基于深度学习的肺癌检测方法研究", 数字技术与应用, no. 01, 25 January 2020 (2020-01-25) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118039088A (zh) * 2024-04-15 2024-05-14 达州爱迦飞诗特科技有限公司 一种人工智能辅助诊断数据处理系统

Also Published As

Publication number Publication date
CN116740041B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN109886273B (zh) 一种cmr图像分割分类系统
WO2020260936A1 (en) Medical image segmentation using an integrated edge guidance module and object segmentation network
CN112529839B (zh) 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
CN106940816A (zh) 基于3d全连接卷积神经网络的ct图像肺结节检测系统
CN111951288B (zh) 一种基于深度学习的皮肤癌病变分割方法
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
Prusty et al. A novel transfer learning technique for detecting breast cancer mammograms using VGG16 bottleneck feature
CN116342516B (zh) 基于模型集成的儿童手骨x光图像骨龄评估方法及系统
CN114511502A (zh) 一种基于人工智能的胃肠道内窥镜图像息肉检测系统、终端及存储介质
Ren et al. An improved U-net based retinal vessel image segmentation method
Wang OCT image recognition of cardiovascular vulnerable plaque based on CNN
CN115984555A (zh) 一种基于深度自编码器构图的冠状动脉狭窄识别方法
Nie et al. Recent advances in diagnosis of skin lesions using dermoscopic images based on deep learning
Guo et al. CAFR-CNN: coarse-to-fine adaptive faster R-CNN for cross-domain joint optic disc and cup segmentation
Yang et al. Lesion classification of wireless capsule endoscopy images
CN113538363A (zh) 一种基于改进U-Net的肺部医学影像分割方法及装置
CN116740041B (zh) 基于机器视觉的cta扫描图像分析系统及其方法
Kanse et al. HG-SVNN: harmonic genetic-based support vector neural network classifier for the glaucoma detection
Helmy et al. Deep learning and computer vision techniques for microcirculation analysis: A review
Wang et al. PCRTAM-Net: A novel pre-activated convolution residual and triple attention mechanism network for retinal vessel segmentation
CN113902738A (zh) 一种心脏mri分割方法及系统
CN114067156A (zh) 一种基于高分辨率医学影像的卒中分类系统和分类方法
Zijian et al. AFFD-Net: A Dual-Decoder Network Based on Attention-Enhancing and Feature Fusion for Retinal Vessel Segmentation
CN116705297B (zh) 一种基于多信息处理的颈动脉检测仪
UmaMaheswaran et al. Enhanced non-contrast computed tomography images for early acute stroke detection using machine learning approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant