冠脉CTA图像分割和量化钙化方法、装置、设备及介质制造方法及图纸

本公开涉及一种冠脉CTA图像分割和量化钙化方法、装置、设备及介质。其中，冠脉CTA图像分割和量化钙化方法包括：获取待检测图像；将待检测图像输入至预先训练完成的机器学习模型的多视图加权注意力融合模块，基于多视图加权注意力融合模块对待检测图像进行特征提取，得到待检测图像对应的目标特征图；将目标特征图输入至机器学习模型的多任务依赖性学习模块，基于多任务依赖性学习模块对目标特征图进行钙化位置和钙化积分评估，得到待检测图像对应的钙化位置分割结果和钙化积分结果，由此，能够基于机器学习模型自动且同时完成冠状动脉图像的分割和量化钙化，提高了冠状动脉CTA图像自动分割和量化钙化的准确性和分析效率。像自动分割和量化钙化的准确性和分析效率。像自动分割和量化钙化的准确性和分析效率。

【技术实现步骤摘要】
冠脉CTA图像分割和量化钙化方法、装置、设备及介质


[0001]本公开涉及医学检测
，尤其涉及一种冠脉CTA图像分割和量化钙化方法、装置、设备及介质。

技术介绍

[0002]动脉特异性钙化分析包括钙化分割和量化任务，其中，动脉特异性钙化分析的钙化分割旨在精确定位每支冠状动脉的钙化病变，并获取丰富的钙化特征信息，进而对冠状动脉疾病提供较高的诊断和预测价值，动脉特异性钙化分析的量化旨在精确测量每支冠状动脉的钙化积分，包括三个常用指标：冠状动脉钙化评分又称Agatston分数、体积分数和质量分数，可直接反映单支冠状动脉的钙化程度，其与冠状动脉的狭窄程度显著相关，通过动脉特异性钙化分析可对冠状动脉的钙化特征进行综合全面评估，进而对冠状动脉疾病进行快速有效诊断。
[0003]现有的动脉特异性钙化分析方法主要为冠状动脉钙化分类计算方法和冠状动脉钙化回归计算方法，其中，冠状动脉钙化分类计算方法通常基于人工手动勾画对冠状动脉钙化和非钙化病变进行分类，随后，基于冠状动脉钙化病灶采用冠状动脉钙化回归计算方法进行钙化积分计算。
[0004]然而，现有的动脉特异性钙化分析方法中，通过冠状动脉钙化分类计算方法进行钙化和非钙化病变分类时，需要人工手动进行分类，增加了大量临床冗余工作，存在费时费力且分类不准确的问题，其次，在进行钙化积分计算时需要先对钙化和非钙化病变进行分类方可进行钙化积分计算，降低了冠状动脉的钙化量化分析效率。

技术实现思路

[0005]为了解决上述技术问题，本公开提供了一种冠脉CTA图像分割和量化钙化方法、装置、设备及介质。
[0006]本公开实施例的第一方面提供了一种冠脉CTA图像分割和量化钙化方法，包括：
[0007]获取待检测图像，待检测图像为三维冠状动脉CTA图像；
[0008]将待检测图像输入至预先训练完成的机器学习模型的多视图加权注意力融合模块，基于多视图加权注意力融合模块对待检测图像进行特征提取，得到待检测图像对应的目标特征图；
[0009]将目标特征图输入至机器学习模型的多任务依赖性学习模块，基于多任务依赖性学习模块对目标特征图进行钙化位置和钙化积分评估，得到待检测图像对应的钙化位置分割结果和钙化积分结果。
[0010]本公开实施例的第二方面提供了一种冠脉CTA图像分割和量化钙化装置，包括：
[0011]图像获取模块，用于获取待检测图像，待检测图像为三维冠状动脉CTA图像；
[0012]特征提取模块，用于将待检测图像输入至预先训练完成的机器学习模型的多视图加权注意力融合模块，基于多视图加权注意力融合模块对待检测图像进行特征提取，得到
待检测图像对应的目标特征图；
[0013]结果获取模块，用于将目标特征图输入至机器学习模型的多任务依赖性学习模块，基于多任务依赖性学习模块对目标特征图进行钙化位置和钙化积分评估，得到待检测图像对应的钙化位置分割结果和钙化积分结果。
[0014]本公开实施例的第三方面提供了一种电子设备，包括：
[0015]处理器；
[0016]存储器，用于存储可执行指令；
[0017]其中，处理器用于从存储器中读取可执行指令，并执行可执行指令以实现上述第一方面提供的冠脉CTA图像分割和量化钙化方法。
[0018]本公开实施例的第四方面提供了一种计算机可读存储介质，该存储介质存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现上述第一方面提供的冠脉CTA图像分割和量化钙化方法。
[0019]本公开实施例提供的技术方案与现有技术相比具有如下优点：
[0020]本公开实施例提供的冠脉CTA图像分割和量化钙化方法、装置、设备及介质，能够获取待检测图像，待检测图像为三维冠状动脉CTA图像，在获取到待检测图像之后，将待检测图像输入至预先训练完成的机器学习模型的多视图加权注意力融合模块，基于多视图加权注意力融合模块对待检测图像进行特征提取，得到待检测图像对应的目标特征图，然后将目标特征图输入至机器学习模型的多任务依赖性学习模块，基于多任务依赖性学习模块对目标特征图进行钙化位置和钙化积分评估，得到待检测图像对应的钙化位置分割结果和钙化积分结果，由此，能够基于机器学习模型自动且同时完成冠状动脉图像的分割和量化，提高了冠状动脉CTA图像自动分割和量化钙化的准确性和分析效率。
附图说明
[0021]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0022]为了更清楚地说明本公开实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本公开实施例提供的一种冠脉CTA图像分割和量化钙化方法的流程图；
[0024]图2是本公开实施例提供的一种机器学习模型的结构示意图；
[0025]图3是本公开实施例提供的一种冠脉CTA图像分割和量化钙化装置的结构示意图；
[0026]图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0027]为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
[0028]在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施
例，而不是全部的实施例。
[0029]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0030]需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0031]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0032]通常情况下，现有的动脉特异性钙化分析方法中，通过冠状动脉钙化分类计算方法进行钙化和非钙化病变分类时，需要人工手动进行分类，增加了大量临床冗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冠脉CTA图像分割和量化钙化方法，其特征在于，包括：获取待检测图像，所述待检测图像为三维冠状动脉CTA图像；将所述待检测图像输入至预先训练完成的机器学习模型的多视图加权注意力融合模块，基于所述多视图加权注意力融合模块对所述待检测图像进行特征提取，得到所述待检测图像对应的目标特征图；将所述目标特征图输入至所述机器学习模型的多任务依赖性学习模块，基于所述多任务依赖性学习模块对所述目标特征图进行钙化位置和钙化积分评估，得到所述待检测图像对应的钙化位置分割结果和钙化积分结果。2.根据权利要求1所述的方法，其特征在于，在所述将所述待检测图像输入至预先训练完成的机器学习模型的多视图加权注意力融合模块之前，所述方法还包括：获取所述待检测图像对应的轴向视图、冠状视图和矢状视图；所述将所述待检测图像输入至预先训练完成的机器学习模型的多视图加权注意力融合模块，包括：将所述轴向视图输入至所述多视图加权注意力融合模块中的第一编码器，所述第一编码器包括基于空洞卷积操作的残差模块和基于多头自注意力机制的金字塔池化模块；将所述冠状视图和所述矢状视图分别输入至第二编码器，所述第二编码器包括空洞卷积层。3.根据权利要求2所述的方法，其特征在于，所述基于所述多视图加权注意力融合模块对所述待检测图像进行特征提取，得到所述待检测图像对应的目标特征图，包括：基于所述第一编码器对所述轴向视图进行特征提取，得到第一特征图；基于所述第二编码器对所述冠状视图进行特征提取，得到第二特征图，同时基于所述第二编码器对所述矢状视图进行特征提取，得到第三特征图，其中，所述第二编码器在对所述冠状视图和所述矢状视图进行特征提取时分别采用不同的卷积层参数权重；将所述第一特征图、所述第二特征图和所述第三特征图进行加权融合处理，得到目标特征图。4.根据权利要求1所述的方法，其特征在于，所述多任务依赖性学习模块包括分割模块和量化模块，所述分割模块用于执行钙化分割任务，所述量化模块用于执行钙化量化任务；所述将所述目标特征图输入至所述机器学习模型的多任务依赖性学习模块，包括：将所述目标特征图分别输入至所述分割模块和所述量化模块。5.根据权利要求4所述的方法，其特征在于，所述分割模块包括第一上采样层、卷积层和第二上采样层；所...

【专利技术属性】
技术研发人员：徐磊，张楠，王瑞，周振，薄开蕊，杨琳，李蕊鑫，张卫卫，张贺晔，
申请(专利权)人：首都医科大学附属北京安贞医院，
类型：发明
国别省市：