基于深度学习的动脉瘤检测方法

技术特征：
1.一种基于深度学习的动脉瘤检测方法，其特征在于，包括以下步骤：获取血管造影图像；对造影图像通过卷积神经网络获取含动脉瘤的血管区域；获取血管区域中动脉瘤的瘤颈宽度；并获取血管区域中动脉瘤边缘上任意两个像素点的距离，从任意两个像素点的距离中获取最大距离；根据动脉瘤的瘤颈宽度及最大距离获取血管区域中动脉瘤的脆弱程度；根据与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘；根据动脉瘤边缘上相邻像素点至第二血管边缘的距离差值获取动脉瘤边缘上每个像素点的起伏值；根据动脉瘤边缘上每个像素点的起伏值获取血管区域中动脉瘤的起伏程度；获取动脉瘤边缘两端处对应血管的直径；根据动脉瘤边缘两端处对应血管的直径，动脉瘤的脆弱程度和起伏程度，以及动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤的危害指数。2.根据权利要求1所述的基于深度学习的动脉瘤检测方法，其特征在于，所述动脉瘤所在侧的第二血管边缘是按照以下步骤获取：根据动脉瘤边缘两端处的像素点均与其相邻的血管边缘像素点获取动脉瘤边缘两端处像素点均与其相邻血管边缘像素点连线的第一斜率；根据动脉瘤边缘两端处像素点均与其相邻的血管边缘像素点连线的第一斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的第一直线斜率；根据分别经动脉瘤边缘两端处像素点的第一直线斜率获取垂直于血管并分别经动脉瘤边缘两端处像素点的两条直线；获取两条直线与血管区域中动脉瘤相对一侧的第一血管边缘各有一个交点；根据该两个交点间与血管区域中动脉瘤相对一侧的第一血管边缘上的像素点通过模拟获取动脉瘤所在侧的第二血管边缘。3.根据权利要求2所述的基于深度学习的动脉瘤检测方法，其特征在于，所述动脉瘤所在侧的第二血管边缘的获取是通过第一血管边缘上的相邻像素点的斜率模拟而获取的。4.根据权利要求2所述的基于深度学习的动脉瘤检测方法，其特征在于，根据两条直线与动脉瘤边缘两端处的血管两侧相交的线段长度获取动脉瘤边缘两端处对应血管的直径。5.根据权利要求1所述的基于深度学习的动脉瘤检测方法，其特征在于，所述血管区域中动脉瘤的起伏程度是按照以下步骤获取：根据动脉瘤边缘上每个像素点的起伏值，通过统计将相同起伏值作为一个起伏级数；根据每个起伏级数中起伏值的个数占起伏值总个数的比例获取血管区域中动脉瘤的起伏程度。6.根据权利要求5所述的基于深度学习的动脉瘤检测方法，其特征在于，所述血管区域中动脉瘤的起伏程度的计算公式如下：
式中，表示动脉瘤的起伏程度；表示第个起伏级数中起伏值的个数占起伏值总个数的比例；表示起伏级数的总数量。7.根据权利要求6所述的基于深度学习的动脉瘤检测方法，其特征在于，所述动脉瘤的危害指数计算公式如下：式中，表示动脉瘤的危害指数；表示动脉瘤的起伏程度；表示动脉瘤的脆弱程度；、分别表示动脉瘤边缘两端处对应血管的直径；表示动脉瘤边缘上每个像素点至第二血管边缘的距离的平均距离。8.根据权利要求7所述的基于深度学习的动脉瘤检测方法，其特征在于，所述动脉瘤边缘上每个像素点至第二血管边缘的距离的平均距离计算公式如下：式中，表示动脉瘤边缘上第个像素点至第二血管边缘的距离；表示动脉瘤边缘上的总像素点个数。9.根据权利要求1所述的基于深度学习的动脉瘤检测方法，其特征在于，所述动脉瘤边缘上每个像素点至第二血管边缘的距离是按照以下步骤获取：获取动脉瘤边缘两端处像素点连线的第二斜率；根据第二斜率获取垂直于动脉瘤边缘两端处像素点连线的第二直线斜率；根据第二直线斜率获取经动脉瘤边缘上每个像素点，并垂直于动脉瘤边缘两端处像素点连线的直线；根据该直线与第二血管边缘及动脉瘤边缘上的交点获取动脉瘤边缘上每个像素点至第二血管边缘的距离。10.根据权利要求9所述的基于深度学习的动脉瘤检测方法，其特征在于，根据动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤边缘上相邻像素点至第二血管边缘的距离差值。

技术总结
本发明公开了一种基于深度学习的动脉瘤检测方法，属于图像处理技术领域；包括以下步骤：获取血管造影图像；对造影图像通过卷积神经网络获取含动脉瘤的血管区域；根据动脉瘤的瘤颈宽度及最大距离获取血管区域中动脉瘤的脆弱程度；根据动脉瘤边缘上每个像素点的起伏值获取血管区域中动脉瘤的起伏程度；根据动脉瘤边缘两端处对应血管的直径，动脉瘤的脆弱程度和起伏程度，以及动脉瘤边缘上每个像素点至第二血管边缘的距离获取动脉瘤的危害指数。本发明通过获取该动脉瘤的特征标注于图像的动脉瘤旁边为医生提供参考，从而实现对动脉血管图像的快速判断。图像的快速判断。图像的快速判断。


技术研发人员：柴磊
受保护的技术使用者：南京邮电大学
技术研发日：2022.09.19
技术公布日：2022/10/25