一种基于深度学习的主动脉瓣分型方法技术

本发明专利技术公开了一种基于深度学习的主动脉瓣分型方法，包括：构建主动脉瓣样本图像数据集；构建卷积神经网络模型，并利用所述主动脉瓣样本图像数据集对所述卷积神经网络模型进行训练，得到用于识别主动脉瓣类型的主动脉瓣分型模型；利用主动脉瓣分型模型对待识别的主动脉瓣图像进行检测，得到分型结果。采用本发明专利技术的技术方案，能够自动对主动脉瓣进行分类，提供给医生进行参考，从而大大减少医生术前评估时间，并提升主动脉瓣分型的准确率。并提升主动脉瓣分型的准确率。并提升主动脉瓣分型的准确率。

【技术实现步骤摘要】
一种基于深度学习的主动脉瓣分型方法


[0001]本专利技术涉及医学图像处理
，特别涉及一种基于深度学习的主动脉瓣分型方法。

技术介绍

[0002]经导管主动脉瓣置换术(TranscatheterAortic Valve Replacement,TAVR)是一种微创瓣膜置换手术，是通过介入导管技术，将人工心脏瓣膜输送至主动脉瓣位置，从而完成人工瓣膜植入，恢复瓣膜功能。
[0003]经导管主动脉瓣置换术(TAVR)在我国起步相对较晚，但发展迅速。我国瓣膜病患者具有年龄较轻、解剖结构更为复杂等特点，一定程度上增加了TAVR的难度，二叶式主动脉瓣(简称“二叶瓣”)狭窄更是一大难点。这一挑战性解剖特点对术前规划、术中操作及瓣膜器械的设计都提出了更高的要求。目前，虽然越来越多的证据证实了二叶瓣患者接受TAVR治疗的安全性及有效性，但如何制定和优化二叶瓣患者的TAVR手术策略仍是国际国内关注的热点话题。
[0004]Hasan于2015年将二叶式主动脉瓣分为三型：双交界区无嵴型二叶瓣，双交界区有嵴型二叶瓣和功能性二叶瓣。因此基于Hasan分型，再结合常规的三叶瓣类型，主动脉瓣可以分为三叶瓣、双交界区无嵴型二叶瓣、双交界区有嵴型二叶瓣和功能性二叶瓣。Hasan分型基于TAVR术前的CT评估，更有助于TAVR术前预测手术风险和难度。
[0005]目前，主动脉瓣膜分型通常由医生使用3D医学图像软件通过复杂的手动交互来仔细观察、识别。这既要求医生有较高的软件操作经验，也需要花费医生不少时间，且由于二叶瓣结构的复杂性，很容易出现误分类的情况。

技术实现思路

[0006]本专利技术提供了一种基于深度学习的主动脉瓣分型方法，以解决目前采用人工进行主动脉瓣分型的方法，耗时较长且容易出现误分类的技术问题。
[0007]为解决上述技术问题，本专利技术提供了如下技术方案：
[0008]一种基于深度学习的主动脉瓣分型方法，包括：
[0009]构建主动脉瓣样本图像数据集；
[0010]构建卷积神经网络模型，并利用所述主动脉瓣样本图像数据集对所述卷积神经网络模型进行训练，得到用于识别主动脉瓣类型的主动脉瓣分型模型；
[0011]利用主动脉瓣分型模型对待识别的主动脉瓣图像进行检测，得到分型结果。
[0012]进一步地，所述构建主动脉瓣样本图像数据集，包括：
[0013]获取主动脉瓣的三维医学图像数据，用作主动脉瓣原始样本图像；
[0014]对所述主动脉瓣原始样本图像按照预设分类标准进行分类标注；
[0015]对所述主动脉瓣原始样本图像进行预处理，得到主动脉根部结构图像；
[0016]将得到的主动脉根部结构图像和其对应的分类标注信息进行存储，以构建出所述
主动脉瓣样本图像数据集。
[0017]进一步地，所述三维医学图像数据为包含人体主动脉瓣信息的任意类型的医学图像数据。
[0018]进一步地，对所述主动脉瓣原始样本图像按照预设分类标准进行分类标注，具体为：根据Hasan分型方法，将所述主动脉瓣原始样本图像分类为：三叶瓣、双交界区无嵴型二叶瓣、双交界区有嵴型二叶瓣或功能性二叶瓣。
[0019]进一步地，对所述主动脉瓣原始样本图像进行预处理，得到主动脉根部结构图像，包括：
[0020]对所述主动脉瓣原始样本图像中的主动脉进行分割，得到主动脉图像；
[0021]基于所述主动脉图像提取主动脉中心线并基于所述主动脉中心线对主动脉进行拉直处理，得到沿中心线拉直后的主动脉图像；
[0022]基于拉直后的主动脉图像，根据主动脉根部形态结构的特点识别主动脉根部结构，得到主动脉根部结构的识别结果；
[0023]基于主动脉根部结构的识别结果，通过包围盒方法，使用统一尺寸的包围盒包裹主动脉根部结构，并提取出统一尺寸的主动脉根部结构图像；
[0024]对得到的主动脉根部结构图像使用低通滤波器进行滤波，以平滑图像中的高频噪点，降低图像的变化率，然后再对滤波后的主动脉根部结构图像通过对比度拉伸，来突出二叶瓣中可能存在的嵴，得到最终的主动脉根部结构图像。
[0025]进一步地，利用所述主动脉瓣样本图像数据集对所述卷积神经网络模型进行训练，得到用于识别主动脉瓣类型的主动脉瓣分型模型，包括：
[0026]将所述主动脉瓣样本图像数据集按照预设比例划分为训练集、验证集和测试集，并对所述训练集进行数据增强，扩大训练集数据量并且平衡样本数据；
[0027]先使用增强后的训练集训练模型，再用所述验证集验证模型；根据情况不断调整模型参数，选择出其中最好的模型；然后，用训练集和验证集数据通过继续训练和验证得到最终的模型；最后，用测试集评估最终的模型。
[0028]进一步地，对所述训练集进行数据增强，包括：
[0029]将原始的训练集中的样本在0
°
至180
°
范围内随机旋转、沿水平和竖直方向平移、随机放缩、竖直翻转和水平翻转，从而得到新的图像数据；
[0030]将新的图像数据加入原始的训练集中，最终得到增强后的训练集集。
[0031]进一步地，在对所述卷积神经网络模型进行训练的过程中，采用Focal Loss损失函数度量模型输出的预测分类结果与真实分类结果之间的差距，具体为：
[0032]将多分类标准交叉熵损失函数定义为：
[0033][0034]式中，C表示类别数，p
t
表示预测概率，y
t
表示真实类别值；
[0035]对不同类别设置损失权重系数a
t
来平衡各类样本，二分类表示为：
[0036][0037]推广到多分类给出FocalLoss损失函数为：
[0038][0039]式中，r为抑制参数，r越大，权重越低；a
t
是各类别权重，根据样本数据数量的相对大小取值，样本多的类别取值小，样本少的类别取值大；
[0040]在模型训练过程中，将模型输出的预测值p
t
及真实值y
t
输入Focal Loss损失函数，得到损失结果；使用FocalLoss损失函数调整不同类别的样本对总损失结果的权重，使难分类的图像类别在总损失结果中权重大，易分类的图像类别在总损失结果中权重小；这样在降低总损失结果的过程中，使模型更加关注降低难分类图像样本的损失结果，提高对难分类图像样本的分类准确率。
[0041]进一步地，a
t
的取值范围为0～1；r的取值范围为r≥0。
[0042]进一步地，利用主动脉瓣分型模型对待识别的主动脉瓣图像进行检测，得到分型结果，包括：
[0043]基于卷积神经网络提取待识别的主动脉瓣图像的特征；
[0044]通过Softmax分类器基于提取的特征，输出预测分类结果；其中，Softmax分类器的输出层拥有多个单元，即有多少个分类就会有多少个单元，每个单元输出为当前分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的主动脉瓣分型方法，其特征在于，包括：构建主动脉瓣样本图像数据集；构建卷积神经网络模型，并利用所述主动脉瓣样本图像数据集对所述卷积神经网络模型进行训练，得到用于识别主动脉瓣类型的主动脉瓣分型模型；利用主动脉瓣分型模型对待识别的主动脉瓣图像进行检测，得到分型结果。2.如权利要求1所述的基于深度学习的主动脉瓣分型方法，其特征在于，所述构建主动脉瓣样本图像数据集，包括：获取主动脉瓣的三维医学图像数据，用作主动脉瓣原始样本图像；对所述主动脉瓣原始样本图像按照预设分类标准进行分类标注；对所述主动脉瓣原始样本图像进行预处理，得到主动脉根部结构图像；将得到的主动脉根部结构图像和其对应的分类标注信息进行存储，以构建出所述主动脉瓣样本图像数据集。3.如权利要求2所述的基于深度学习的主动脉瓣分型方法，其特征在于，所述三维医学图像数据为包含人体主动脉瓣信息的任意类型的医学图像数据。4.如权利要求2所述的基于深度学习的主动脉瓣分型方法，其特征在于，对所述主动脉瓣原始样本图像按照预设分类标准进行分类标注，具体为：根据Hasan分型方法，将所述主动脉瓣原始样本图像分类为：三叶瓣、双交界区无嵴型二叶瓣、双交界区有嵴型二叶瓣或功能性二叶瓣。5.如权利要求2所述的基于深度学习的主动脉瓣分型方法，其特征在于，对所述主动脉瓣原始样本图像进行预处理，得到主动脉根部结构图像，包括：对所述主动脉瓣原始样本图像中的主动脉进行分割，得到主动脉图像；基于所述主动脉图像提取主动脉中心线并基于所述主动脉中心线对主动脉进行拉直处理，得到沿中心线拉直后的主动脉图像；基于拉直后的主动脉图像，根据主动脉根部形态结构的特点识别主动脉根部结构，得到主动脉根部结构的识别结果；基于主动脉根部结构的识别结果，通过包围盒方法，使用统一尺寸的包围盒包裹主动脉根部结构，并提取出统一尺寸的主动脉根部结构图像；对得到的主动脉根部结构图像使用低通滤波器进行滤波，以平滑图像中的高频噪点，降低图像的变化率，然后再对滤波后的主动脉根部结构图像通过对比度拉伸，来突出二叶瓣中可能存在的嵴，得到最终的主动脉根部结构图像。6.如权利要求1所述的基于深度学习的主动脉瓣分型方法，其特征在于，利用所述主动脉瓣样本图像数据集对所述卷积神经网络模型进行训练，得到用于识别主动脉瓣类型的主动脉瓣分型模型，包括：将所述主动脉瓣样本图像数据集按照预设比例划分为训练集、验证集和测试集，并对所述训练集进行数据增强，扩大训练集数据量并且平衡样本数据；先使用增强后的训练集训练模型，再用所述验证集验证模型；根据情况不断调整模型参数，选择出其中最好的模型；然后，用训练集和验证集数据通过继续训...

【专利技术属性】
技术研发人员：王墨扬，牛冠男，吴永健，刘鑫，方桧铭，
申请(专利权)人：知彻数据科技南京有限公司，
类型：发明
国别省市：