一种使用计算机对冠状动脉狭窄诊断定位方法

1.本发明涉及医学辅助诊断方法，是一种一种使用计算机对冠状动脉狭窄诊断定位方法，属于新型医学工程领域。


背景技术：

2.通过研究实例分割领域的算法，对冠状动脉狭窄区域血管部分进行实例分割。由于进行冠脉狭窄诊断的时候，医生不只要观察狭窄的位置，通常还需要进行血管狭窄程度的判断从而判断患者的病情，决定治疗方案，判断是否需要进行冠状动脉支架手术等。因此需要描绘出狭窄区域的轮廓辅助医生进行诊断或者由机器给出狭窄程度。目前在血管分割领域大部分工作是语义分割领域，目的是显示血管轮廓，即运用语义分割领域的相关模型对血管造影图片进行血管分割，最终结果是二值图像(血管轮廓白色显示，其余部分黑色显示)。。
3.因此，本发明主要对基于掩膜的区域卷积神经网络在更快的区域卷积神经网络的基础上进行修改，使之在目标检测的基础上实现分割。因为添加掩膜分支所以总体速度没有更快的区域卷积神经网络快。本发明还对实例分割领域的其他模型进行研究，包括两阶段和一阶段模型，例如基于区域的分割对象模型，双向实例分割模型等。


技术实现要素：

4.为克服现有技术的不足,本发明提供一种使用计算机对冠状动脉狭窄诊断定位方法,为达此目的,本发明采用以下技术方案：一种使用计算机对冠状动脉狭窄诊断定位方法，其特征在于，步骤1、首先通过第一计算单元对第一多维冠状动脉矩阵深度信息图像进行处理，将第一多维冠状动脉矩阵深度信息图像中的第一狭窄区域血管部分kt通过第一计算单元计算处理得到第一图像a，并对所述第一图像a进行第一图像实例分割go，用于得到分割后第二冠状动脉血管图像，并且用第一掩膜分支qi将图像实例中的冠状动脉中的第一狭窄区域血管部分kt的轮廓标识出来，从而建立第一图像实例分割go的模型st；第一图像实例分割go的模型s在通过基于掩膜的区域卷积神经网络的掩膜分支的完成图像实例分割任务后,开始进行目标检测任务，并标定第一狭窄区域血管部分kt,并对标定出的存在第一狭窄区域血管部分kt的区域，需要先进行提取,提取后设定为第一感兴趣区域t，然后对第一感兴趣区域t做具体的检测；基于掩膜的区域卷积神经网络将第一图像实例分割go的模型st用于第一多维冠状动脉矩阵深度信息图像中的狭窄区域，并运用计算机进行处理，生成符合计算机处理需要的第一特征图pic；并且通过第一多维冠状动脉矩阵深度信息图像中的第一对齐模块处理感兴趣区域，将第一特征图pic和呈现给用户的狭窄候选区域alpha进行对应；分步骤1：基于掩膜的区域卷积神经网络开始通过第一骨干网络提取特征，第一骨干网络使用残差网络进行特征提取，残差网络用于图像分类和物体识别，并开始优化，然后再增加深度来提高准确率，残差网络内部的残差块使用跳跃连接，缓解在基于掩膜的区域卷积神经网络中增加深度带来的梯度消失问题；分步骤2：然后用头部网络进行分类，以
及用第一掩膜分支qi开始进行掩膜提取；分步骤3：完成分步骤1中特征提取之后，特征图会进入候选区生成网络，通过锚框的生成方法进行狭窄候选区域的提取，锚框的生成方法生成共计九种大小不同的锚框，所有的狭窄候选区域在第一候选区生成网络内会先进行一次位置回归，位置回归将用标注的数据上的定位框的位置训练模型，使得通过锚框选出来的狭窄候选区域接近标定的定位框的位置，接近标定的定位框的位置的结果定义为一个位置的矫正，作为一次的位置回归；分步骤4：然后为使在最后分类和位置回归时保持向量大小一致，将生成的狭窄候选区域送入第一感兴趣区域对齐网络做候选区的大小固定；分步骤5：基于掩膜的区域卷积神经网络需要在最终结果中完成分割，开始进行分类任务，分类任务的级别为像素级别；分步骤6：原有的感兴趣区域池化层是对不同尺寸的特征图进行下采样，设定原始的特征图的大小是h*w，在进行下采样之后的大小取决于下采样的步长，降采样之后大小为h/s和w/s分别向下取整，在采样之后再进行一次大小的缩放，统一缩放到k*k大小的特征图，h、w、k代表像素，用于表示特征图的大小，s为时间表示；在经过两层取整操作之后，如原有的像素会产生偏移，会导致在进行分割的时候产生误差，基于掩膜的区域卷积神经网络将感兴趣区域池化层修改为采用双线性插值方法的感兴趣区域对齐层，双线性插值方法的感兴趣区域对齐层采用双线性插值的方法，通过虚线部分表征原始特征图大小，实线部分为双线性插值后候选区的大小，并用箭头指示表明将原始特征图上的像素点经过水平和竖直两个方向的插值后生成插值后某一个位置的特征值的大小；双线性插值方法的感兴趣区域对齐层能处理原先感兴趣区域池化层取整后产生的像素位置偏差的问题，得到精确的分割结果；在完成候选区域生成之后，第一图像实例分割go的模型s将通过类别分类确定目标的种类，通过候选框回归确定目标位置；分步骤7、增加第一掩膜分支qi用来进行目标分割；分类和回归任务与本发明的更快的区域卷积神经网络相同，第一掩膜分支qi的任务是对于每一个感兴趣区域使用分步骤5中的基于掩膜的区域卷积神经网络进行像素级别的分类，并广泛运用在语义分割领域；步骤2、每一个感兴趣候选区产生k个掩膜二值图像，k为自然数，是数据集中类别的个数；分步骤8、第一图像实例分割go的模型st的最后将目标检测和语义分割的结果结合，产生实例分割结果；分步骤9、设定基于掩膜的区域卷积神经网络的损失函数包含三个部分：分类损失，回归损失和掩膜损失，并且设定二值交叉熵损失函数。
具体实施方式
5.下面结合具体实施方式来进一步说明本发明的技术方案。本发明技术方案一种使用计算机对冠状动脉狭窄诊断定位方法过程为：
6.实施例一：首先通过第一计算单元对第一多维冠状动脉矩阵深度信息图像进行处理，将第一多维冠状动脉矩阵深度信息图像中的第一狭窄区域血管部分kt通过第一计算单元计算处理得到第一图像a，并对所述第一图像a进行第一图像实例分割go，用于得到分割后第二冠状动脉血管图像，并且用第一掩膜分支qi将图像实例中的冠状动脉中的第一狭窄区域血管部分kt的轮廓标识出来，从而建立第一图像实例分割go的模型st；第一图像实例分割go的模型s在通过基于掩膜的区域卷积神经网络的掩膜分支的完成图像实例分割任务后,开始进行目标检测任务，并标定第一狭窄区域血管部分kt,并对标定出的存在第一狭窄区域血管部分kt的区域，需要先进行提取,提取后设定为第一感兴趣区域t，然后对第一感
兴趣区域t做具体的检测；
7.基于掩膜的区域卷积神经网络是用于实例分割的模型，在本发明对更快的区域卷积神经网络进行介绍，基于掩膜的区域卷积神经网络是由更快的区域卷积神经网络演化而来。两者在模型结构上有很多相似的地方，基于掩膜的区域卷积神经网络不仅可以进行实例分割任务还可以进行目标检测任务。本发明在更快的区域卷积神经网络的基础上添加用于实例分割的分支，由于要进行实例分割所以提出更加精准的感兴趣区域对齐来对应候选区和特征图。
8.基于掩膜的区域卷积神经网络与更快的区域卷积神经网络很相似。都是通过骨干网络提取特征，然后用头部网络进行分类，边框回归以及掩膜提取。基于掩膜的区域卷积神经网络使用残差网络进行特征提取，完成特征提取之后特征图会进入候选区生成网络进行候选区提取，使用的方法还是锚框生成，共计九种大小不同的锚框，这里与更快的区域卷积神经网络是一样的，所有的候选区在候选区生成网络内会先进行一次位置回归。然后将生成的候选区域送入感兴趣区域对齐网络做候选区的大小固定，其原因是为在最后分类和回归时保持向量大小一致，在更快的区域卷积神经网络中是由感兴趣区域池化层完成的，但是由于基于掩膜的区域卷积神经网络需要在最终结果中完成分割，这里涉及到像素级别的分类任务。原有的感兴趣区域池化层是对不同尺寸的特征图进行下采样，假设原始的特征图的大小是h*w，在进行下采样之后的大小取决于下采样的步长，降采样之后大小为h/s和w/s分别向下取整，在采样之后还会进行一次大小的缩放，统一缩放到k*k大小的特征图。在经过两层取整操作之后，原有的像素会产生偏移。这在目标检测领域影响不大，但是在实例分割领域就会导致在进行分割的时候产生较大的误差。因此基于掩膜的区域卷积神经网络将感兴趣区域池化层修改为感兴趣区域对齐层采用双线性插值的方法。虚线部分是原始特征图大小，实线部分是双线性插值后候选区的大小。箭头的指示表明，将原始特征图上的像素点经过水平和竖直两个方向的插值后生成插值后某一个位置的特征值的大小。感兴趣区域对齐层的可以有效的处理原先感兴趣区域池化层取整后产生的像素位置偏差的问题，可以得到更精确的分割结果。
9.基于掩膜的区域卷积神经网络将第一图像实例分割go的模型st用于第一多维冠状动脉矩阵深度信息图像中的狭窄区域，并运用计算机进行处理，生成符合计算机处理需要的第一特征图pic；并且通过第一多维冠状动脉矩阵深度信息图像中的第一对齐模块处理感兴趣区域，将第一特征图pic和呈现给用户的狭窄候选区域alpha进行对应；基于掩膜的区域卷积神经网络开始通过第一骨干网络提取特征，第一骨干网络使用残差网络进行特征提取，残差网络用于图像分类和物体识别，并开始优化，然后再增加深度来提高准确率，残差网络内部的残差块使用跳跃连接，缓解在基于掩膜的区域卷积神经网络中增加深度带来的梯度消失问题；然后用头部网络进行分类，以及用第一掩膜分支qi开始进行掩膜提取；完成特征提取之后，特征图会进入候选区生成网络，通过锚框的生成方法进行狭窄候选区域的提取，锚框的生成方法生成共计九种大小不同的锚框，所有的狭窄候选区域在第一候选区生成网络内会先进行一次位置回归，位置回归将用标注的数据上的定位框的位置训练模型，使得通过锚框选出来的狭窄候选区域接近标定的定位框的位置，接近标定的定位框的位置的结果定义为一个位置的矫正，作为一次的位置回归；然后为使在最后分类和位置回归时保持向量大小一致，将生成的狭窄候选区域送入第一感兴趣区域对齐网络做候选区
的大小固定；基于掩膜的区域卷积神经网络需要在最终结果中完成分割，开始进行分类任务，分类任务的级别为像素级别；原有的感兴趣区域池化层是对不同尺寸的特征图进行下采样，设定原始的特征图的大小是h*w，在进行下采样之后的大小取决于下采样的步长，降采样之后大小为h/s和w/s分别向下取整，在采样之后再进行一次大小的缩放，统一缩放到k*k大小的特征图；在经过两层取整操作之后，如原有的像素会产生偏移，会导致在进行分割的时候产生误差，基于掩膜的区域卷积神经网络将感兴趣区域池化层修改为采用双线性插值方法的感兴趣区域对齐层，双线性插值方法的感兴趣区域对齐层采用双线性插值的方法，通过虚线部分表征原始特征图大小，实线部分为双线性插值后候选区的大小，并用箭头指示表明将原始特征图上的像素点经过水平和竖直两个方向的插值后生成插值后某一个位置的特征值的大小；双线性插值方法的感兴趣区域对齐层能处理原先感兴趣区域池化层取整后产生的像素位置偏差的问题，得到精确的分割结果；在完成候选区域生成之后，第一图像实例分割go的模型s将通过类别分类确定目标的种类，通过候选框回归确定目标位置；增加第一掩膜分支qi用来进行目标分割；分类和回归任务与本发明的更快的区域卷积神经网络相同，第一掩膜分支qi的任务是对于每一个感兴趣区域使用分步骤5中的基于掩膜的区域卷积神经网络进行像素级别的分类，并广泛运用在语义分割领域；每一个感兴趣候选区产生k个掩膜二值图像，k为自然数，是数据集中类别的个数；第一图像实例分割go的模型st的最后将目标检测和语义分割的结果结合，产生实例分割结果；设定基于掩膜的区域卷积神经网络的损失函数包含三个部分：分类损失，回归损失和掩膜损失，并且设定二值交叉熵损失函数。
10.以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
11.有益效果：通过本发明的研究基于掩膜的区域卷积神经网络在更快的区域卷积神经网络的基础上进行修改，使之在目标检测的基础上实现分割。因为添加掩膜分支所以总体速度没有更快的区域卷积神经网络快。本发明还对实例分割领域的其他模型进行研究，包括两阶段和一阶段模型，例如基于区域的分割对象模型，双向实例分割模型等。本发明阐述进行冠状动脉狭窄程度识别检测的原因和必要性，介绍实例分割领域的经典模型基于掩膜的区域卷积神经网络。包括模型的结构，模型损失函数，模型的创新点，模型的创新点在于感兴趣区对齐层的提出和掩膜分支的运用。