一种冠状动脉易损斑块自动识别系统技术方案

本发明专利技术涉及一种冠状动脉易损斑块自动识别系统，其基于卷积神经网络实现，即通过人工智能卷积神经网络技术对CCTA数据进行深度挖掘，自动提取易损斑块潜在的定量化特征信息，建立易损斑块高精度识别系统，可明显提高无创性手段对易损斑块的检出率，解决关于易损斑块特征判读对医生经验的依赖性和人眼对像素识别的局限性，减少影像医生对大量图像判定的工作负担。

An Automatic Recognition System for Coronary Vulnerable Plaques

【技术实现步骤摘要】
一种冠状动脉易损斑块自动识别系统
本专利技术涉及一种冠状动脉易损斑块自动识别系统。
技术介绍
近年来，冠状动脉造影(CAG)检查一直作为评估冠心病的金标准。但是其仅提供管腔的信息，无法详细判别冠状动脉血管壁及斑块内部的情况。而大量研究显示，易损斑块破裂继发血栓形成是引起急性心血管事件(ACS)的主要因素。然而易损斑块(Vulnerableplaque)具有症状隐匿性、破裂突发性的特点，难以早期精准诊断。目前，血管内超声(intravascularultrasound，IVUS)与光学相干断层成像(opticaloherencetomography，OCT)作为血管内影像学检测技术在识别易损斑块特征方面表现优异，但其有创性的检查方式局限了其在临床上的广泛应用。CT冠状动脉造影(CoronaryCTAngiography，CCTA)作为非侵袭性的检查手段在冠心病的诊断方面得到了越来越广泛的应用，成为目前无创性评价冠状动脉粥样硬化斑块的主要影像学方法。相关研究表明，CCTA检测到的易损斑块特征明显增加了发生ACS的可能性。但冠状动脉斑块自身形态结构复杂，同时CCTA的斑块评估还受到斑块分析软件可重复性，特别是医生经验的差异性，肉眼识别的局限性的影响，无法对易损斑块进行精准的识别和判定。如果能够通过无创性CTA或MRI等方法，结合神经网络深度学习等人工智能手段，对易损斑块进行多因素精准识别，同时在体监测斑块由稳定到不稳定乃至破裂的动态演变过程，将会拓展对易损斑块的认识，进一步深入了解斑块易损性在急性心血管事件中的触发机制，实现急性冠脉事件的早期预警和危险分层。卷积神经网络是一种含有多层网络的网络结构，由输入层、卷积层、下采样层、输出层共同建立了卷积神经网络模型结构。由于它的特征检测层是通过训练数据进行学习，所以在使用时避免了显式的特征抽取，而是隐式地从训练数据中进行学习，因此在模式识别领域取得了显著成绩。基于卷积神经网络人工智能技术可以对医学图像数据进行深度挖掘，自动提取医学影像中潜在的病理生理定量化相关信息，而并不只限于人工设计的影像学特征，预期可以通过对影像数据的这些高维特征进行降维并构建出高效的冠脉斑块形态识别模型，对易损斑块进行精准预测识别判断，获得和有创性腔内检查一致的诊断效果从而早期个性化指导临床决策。因此，如何整合无创性影像学方法与神经网络深度学习等人工智能手段，实现全心冠脉斑块定量化判别及易损斑块高精度自动检测，解决目前诊断体系对易损斑块识别的不全面性是亟需解决的重大科学问题。
技术实现思路
本专利技术要解决的技术问题是：针对目前诊断体系对冠状动脉易损斑块早期识别的不全面性，旨在构建基于卷积神经网络的易损斑块精准自动识别系统。本专利技术解决其技术问题所采用的技术方案是：一种冠状动脉易损斑块自动识别系统，所述系统的实现基于数据扩充技术和迁移学习技术实现；所述系统包括：第一获取模块：用于获取训练图像，并发送给第一图像预处理模块进行预处理；第二获取模块：用于获取测试图像，并发送给第二图像预处理模块进行预处理；第一和第二图像预处理模块将预处理后的数据发送给具有3D卷积神经网络(3D-CNN)模型的第一处理模块；第二处理模块：接收第一处理模块经3D-CNN模型匹配后的数据，执行冠状斑块形态识别；输出模块：用于实现冠状斑块信息输出。优选的，3D-CNN建模过程包括：输入CTA和OCT图像，通过3D卷积对图像进行融合处理，利用有监督的学习方法，对分类特征进行提取；利用下采样层提取更多的结构边缘信息，同时去除冗余信息和噪声。优选的，所述CTA和OCT图像选取自同一样本中的同一块斑块。优选的，所述系统还包括处理器，以基于CCTA全心冠状动脉血管树数据，构建具有易损斑块患者的异常特征图谱，反映疾病相关的斑块形态结构改变；根据通过卷积神经网络的方法，对训练集的患者冠状动脉成像数据进行斑块特征识别，构建冠状动脉粥样硬化斑块的智能分类模型。优选的，所述系统采用数据扩充技术来改善样本量不足而产生的过拟合问题，利用迁移学习来提高分类性能，提高深度学习的效果；最后，通过训练集对该自动诊断模型进行验证。优选的，所述验证指标包括：由真阳性，假阳性，真阴性，假阴性，识别准确率，马修相关系数和运行时间。优选的，所述系统还包括对易损斑块征象进行标记和判读，然后进行斑块定量化分析。优选的，在全部冠状动脉分支斑块总体积(TP)、非钙化体积(NCP)、钙化体积(CP)低密度斑块体积(LDP)总斑块负荷以及斑块密度，最大重塑指数(RI)指标的基础上，提取易损斑块定量化指标。优选的，所述系统还可以实现全心冠状动脉斑块病变提取的步骤：首先通过不同宽高的窗口滑动获得潜在的目标病变区域，然后进行归一化操作，作为卷积神经网的标准输入；然后根据输入进行卷积池化操作，得到固定维度的特征向量输出；最后根据上一步输出的特征向量进行分类，并且通过边界回归检出精确的病变目标区域。本专利技术的有益效果是，本专利技术提供的一种冠状动脉易损斑块自动识别系统，其基于卷积神经网络实现，以IVUS、OCT作为依据，将500例CCTA数据作为训练集，构建冠状动脉易损斑块自动判别诊断模型；利用100例数据对该模型进行有效性验证。即通过人工智能卷积神经网络技术对CCTA数据进行深度挖掘，自动提取易损斑块潜在的定量化特征信息，建立易损斑块高精度识别系统，可明显提高无创性手段对易损斑块的检出率，解决关于易损斑块特征判读对医生经验的依赖性和人眼对像素识别的局限性，减少影像医生对大量图像判定的工作负担。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是本专利技术的优选实施例的冠状动脉易损斑块自动识别系统；图2是本专利技术的优选实施例的卷积3D卷积神经网络(CNN)训练过程；图3是本专利技术的优选实施例的易损斑块征象的判读；图4是本专利技术的优选实施例的基于深度卷积神经网络的冠状动脉斑块病灶定位及病灶分割模型。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。本专利技术的提供了一种冠状动脉易损斑块自动识别系统，所述系统的实现基于数据扩充技术和迁移学习技术实现；所述系统包括：第一获取模块：用于获取训练图像，并发送给第一图像预处理模块进行预处理；第二获取模块：用于获取测试图像，并发送给第二图像预处理模块进行预处理；第一和第二图像预处理模块将预处理后的数据发送给具有3D卷积神经网络(3D-CNN)模型的第一处理模块；第二处理模块：接收将经3D-CNN模型匹配后的数据，执行冠状斑块形态识别；输出模块：用于实现冠状斑块信息输出。优选的，所述CTA和OCT图像选取自同一样本中的同一块斑块。如图1所示，首先将选取同一样本的冠状动脉CTA图像和OCT图像的冠状动脉斑块为感兴趣区(ROI)。并将同一块斑块的CTA图像和OCT图像作为不同的通道(Channel)输入到CNN中，在后续的CNN全连接层部分将CTA和OCT的图像特征进行自动融合，从而建立模型。并在测试数据集中对模型进行有效性验证，由此实现了卷积神经网络数据训练的测试。为保证识别系统的准确性，现对对象选择以及选择的血液循环生物标志物进行说明：1)研究对象选择：有300例冠脉CTA和I本文档来自技高网...

【技术保护点】
1.一种冠状动脉易损斑块自动识别系统，所述系统基于数据扩充技术和迁移学习技术实现；其特征在于：所述系统包括：第一获取模块：用于获取训练图像，并发送给第一图像预处理模块进行预处理；第二获取模块：用于获取测试图像，并发送给第二图像预处理模块进行预处理；第一和第二图像预处理模块将预处理后的数据发送给具有3D卷积神经网络(3D‑CNN)模型的第一处理模块；第二处理模块：接收经第一处理模块使用3D‑CNN模型匹配后的数据，执行冠状斑块形态识别；输出模块：用于实现冠状斑块信息输出。

【技术特征摘要】
1.一种冠状动脉易损斑块自动识别系统，所述系统基于数据扩充技术和迁移学习技术实现；其特征在于：所述系统包括：第一获取模块：用于获取训练图像，并发送给第一图像预处理模块进行预处理；第二获取模块：用于获取测试图像，并发送给第二图像预处理模块进行预处理；第一和第二图像预处理模块将预处理后的数据发送给具有3D卷积神经网络(3D-CNN)模型的第一处理模块；第二处理模块：接收经第一处理模块使用3D-CNN模型匹配后的数据，执行冠状斑块形态识别；输出模块：用于实现冠状斑块信息输出。2.如权利要求1所述的系统，其特征在于：3D-CNN建模过程包括：输入CTA和OCT图像，通过3D卷积对图像进行融合处理，利用有监督的学习方法，对分类特征进行提取；利用下采样层提取更多的结构边缘信息，同时去除冗余信息和噪声。3.如权利要求2所述的系统，其特征在于：所述CTA和OCT图像选取自同一样本中的同一块斑块。4.如权利要求1所述的系统，其特征在于：所述系统还包括处理器，以基于CCTA全心冠状动脉血管树数据，构建具有易损斑块患者的异常特征图谱，反映疾病相关的斑块形态结构改变；根据通过卷积神经网络的方法，对训练集的患者冠状动脉成像数据进行斑块...

【专利技术属性】
技术研发人员：刘婷，金士琪，霍怀璧，李思邈，
申请(专利权)人：中国医科大学附属第一医院，
类型：发明
国别省市：辽宁,21