基于深度学习的冠状动脉图像分割方法及系统

专利主权项内容

1.一种基于深度学习的冠状动脉图像分割方法，其特征是，包括：获取待分割的冠状动脉图像；将待分割的冠状动脉图像作为输入图像，输入至基于改进的U-Net网络和边缘特征提取网络的冠状动脉分割模型中，输出冠状动脉图像分割结果；所述改进的U-Net网络采用编码器-解码器结构，并在编码器-解码器结构的最底层设置空洞卷积模块，且编码器包括多层下采样层，每层下采样层中包括依次连接的卷积模块和注意力模块；所述输出冠状动脉图像分割结果，包括：输入图像通过编码器进行多次下采样提取多尺度特征图；所述编码器的每层下采样层中包括依次连接的卷积模块、注意力模块、批归一化层和激活层；输入图像通过卷积模块提取特征图并输入至注意力模块，所述注意力模块包括3个分支，分别在特征图高度、宽度以及通道方向上进行特征提取：在高度分支中，对输入特征图在高度方向上进行平均池化，得到高度方向上的注意力权重；在宽度分支中，对输入特征图在宽度方向上进行平均池化，得到宽度方向上的注意力权重；在通道分支中，对输入特征图在通道方向上分别进行平均池化和最大池化，并采用ReLU激活函数激活池化后的特征图，将激活后的两种特征图按照高度方向拼接，之后进行平均池化，得到通道方向上的注意力权重；最后，利用高度、宽度、通道方向上的注意力权重，分别施加在输入的特征图中，得到融合注意力权重的中间特征图；中间特征图通过批归一化层和激活层后，输出当前下采样层的冠状动脉特征图；编码器最后一层下采样层输出的冠状动脉特征图输入至空洞卷积模块中，通过多个不同采样率的并行空洞卷积层进行特征提取，并行提取的特征拼接后输出冠状动脉全局特征图；其中，所述空洞卷积模块由多个空洞卷积分支组成，每个分支具有不同的扩张率；空洞卷积模块对编码器最后一层下采样层输出的冠状动脉特征图首先分别并行进行多次并行卷积操作，包括：采用1×1卷积核对冠状动脉特征图进行卷积操作；采用不同扩张率的空洞卷积对冠状动脉特征图进行卷积操作；对冠状动脉特征图进行平均池化操作后，再输入至3×3卷积核中进行卷积操作，并利用双线性插值上采样至输入图像的原始大小；在冠状动脉特征图通过多次并行卷积操作后，将输出的不同尺度特征图拼接，拼接后的特征图输入至1×1卷积层中进行卷积，输出冠状动脉全局特征图；编码器的下采样层与解码器的上采样层跳跃连接，并对冠状动脉全局特征图依次进行上采样，最终输出冠状动脉主干特征图；输入图像通过边缘特征提取网络输出边缘细节特征图，包括：冠状动脉图像作为原始的输入图像输入至边缘特征提取网络中，依次经过卷积层提取浅层特征图和激活层激活后，分别输入至两个并行分支，其中一个分支对激活后的浅层特征图依次进行取反操作和最大池化操作，以此扩大背景区域；另一个分支对激活后的浅层特征图进行最大池化操作，以此扩大前景区域；将两个并行分支的输出进行元素相加，得到边缘轮廓特征图，将边缘轮廓特征图与经过最大池化操作的浅层特征图相加，得到边缘增强后的特征图，即边缘细节特征图；边缘细节特征图与冠状动脉主干特征图融合后经过全连接层，输出冠状动脉图像分割结果。