一种自动检测人体心脏冠脉钙化斑块的方法

摘要

本发明公开了一种自动检测人体心脏冠脉钙化斑块的方法，包括步骤：S1、采用深度学习神经网络对冠脉CTA序列原始图进行分割，获得人体心脏冠脉提取图；S2、对人体心脏冠脉提取图进行处理，生成各分支血管的拉直图片；S3、对各拉直图片进行血管分割，获得各分支血管的拉直血管图；S4、调整窗宽窗位，对各拉直血管图计算其整幅图像的像素值，若其存在像素值大于220的像素点，则判定为存在钙化斑块，筛选出带有钙化斑块的拉直血管图；S5、将带有钙化斑块的拉直血管图转化为灰度图，对灰度值大于220的像素点填充颜色，获得钙化斑块提取结果；S6、计算血管狭窄率，获得量化值。本发明对大多数的钙化斑块的检测行之有效，并可实现自动检测，极大提高了效率。

说明书

技术领域

本发明涉及医学图像处理领域，具体涉及一种自动检测人体心脏冠脉钙化斑块的方法。

背景技术

寻找一种安全可靠检查冠状动脉疾病的方法是临床未来发展的主要目标，所以能够准确地从CTA图像序列中提取斑块来判断冠状动脉疾病，具有重要的临床价值和实际意义。在过去的十年间，冠状动脉疾病导致死亡的比例逐年攀升，因此准确的提取动脉血管并量化很有必要，特别是斑块早期检测和量化分析更为突出。然而斑块的早期检测和量化需要非常有经验的医生花费很长的时间进行手动斑块分割及分析，因此有必要提出自动和快速检测心脏冠脉钙化斑块的方法以提升医生的工作效率。

在冠状动脉钙化斑块的检测方向，目前有一些方法被提出用于提高钙化斑块的检测效率，其中，一些方法需要大量用户进行参与；也有一些方法主要采用阈值处理，仍然有很多的局限性。随着深度卷积神经网络(CNN)研究的日益广泛，可以直接进行像素级别端到端(end-to-end)的像素分割，研究将其应用在钙化斑块检测领域，实现基于人工智能的高效的检测算法，具有很高的实用价值。

发明内容

本发明的目的在于提供一种基于深度学习神经网络，能实现自动、高效检测人体心脏冠脉钙化斑块的方法。

为实现上述目的，本发明采用以下技术方案：

一种自动检测人体心脏冠脉钙化斑块的方法，包括以下步骤：

S1、采用深度学习神经网络对冠脉CTA序列原始图进行分割，获得人体心脏冠脉提取图；

S2、对人体心脏冠脉提取图进行处理，生成各分支血管的拉直图片；

S3、对各拉直图片进行血管分割，获得各分支血管的拉直血管图；

S4、调整窗宽窗位，并对各拉直血管图计算其整幅图像的像素值，若其存在像素值大于220的像素点，则判定为存在钙化斑块，从S3获得的所有拉直血管图中筛选出带有钙化斑块的拉直血管图；

S5、将带有钙化斑块的拉直血管图转化为灰度图，遍历整副图像像素点的灰度值，对灰度值大于220的像素点填充颜色，获得钙化斑块提取结果。

进一步地，还包括以下步骤：

S6、统计灰度图中每一行中灰度值大于220的像素点的数目m及所分割血管的像素直径n，将m除以n以得到量化的血管狭窄率。

进一步地，步骤S1具体包括：

S11、冠脉CTA序列原始图的预处理：将CTA序列原始图按一定的窗宽窗位转换成图片格式，获得CTA序列图片；

S12、全图分割：通过预先训练的全图模型对CTA序列图片进行分割，得到主冠脉和主要分支血管的分割结果；

S13、局部patch分割：基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后根据各血管的中心位置在相邻层图片的对应位置，扩展出patch图像，通过预先训练的局部patch模型对patch图像做分割，得到细小分支血管的分割结果；

S14、融合全图和patch的分割结果：融合主冠脉、分支血管及细小分支血管的分割结果，获得人体心脏冠脉提取图。

进一步地，步骤S1中，动态选择窗宽窗位使得所有直径1.5mm以上的血管清晰可见。

进一步地，步骤S12及步骤S13中，对全图模型及局部patch模型中的softmax损失函数进行优化，在计算Loss时，对不同类别的Label乘以不同的权重w，使Loss函数取得最小值，则有：

Loss＝-w_k*logp_k；

式中，k为样本Lable,p_k为样本属于k的概率。

进一步地，步骤S2具体包括：

S21、对人体心脏冠脉提取图进行骨架提取；

S22、基于骨架提取结果，计算各个分支血管的中心线坐标；

S23、根据某一分支血管的中心线坐标计算其中心线各处的切平面，根据切平面选取中心线周围一定规格的数据，将所有选取的数据进行拼接，生成该分支血管的拉直图片；

S24、重复步骤S23，直至获得各分支血管的拉直图片。

进一步地，步骤S3具体包括：

S31、将拉直图片分成若干个patch图像，采用深度学习神经网络分别对每个patch图像进行分割，得到各patch图像的分割结果；

S32、对各patch图像的分割结果进行拼叠还原，获得各分支血管的拉直血管图。

进一步地，步骤S4还包括：计算各拉直血管图中的像素值分布，形成对应的血管直方图。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：

本发明采用深度学习神经网络对CTA图像进行分割，获得人体冠脉提取图，在此基础上获得的拉直图片能有效排出周围信息(如周围正常组织)的干扰；同时利用灰度值进行钙化斑块的判定，在保证精度的同时提升了图像检测速度。

本发明在对CTA图像进行分割时，采用的是级联模型，能有效识别提取在全图视野中以低对比度及微小目标方式存在的细小分支血管，同时，对级联模型的损失函数进行优化，使得模型更具鲁棒性；最终获得清晰、完整的人体心脏冠脉图，使得钙化斑块的提取结果更加全面、准确。

本发明在拉直图片的分割中，将拉直图片分成若干个patch图像以分别进行图像分割，从而可以使用参数简单、速度快的网络模型完成相关分割工作，提升图像处理效率。

附图说明

图1为本发明流程框图；

图2为本发明拉直图片示例图；

图3为拉直图片分割成若干个patch图像的示例图；

图4为对各patch图像进行分割的结果示例图；

图5为拼叠还原后的拉直图片；

图6为带有有钙化斑块分布的直方图结果示例图；

图7为没有钙化斑块分布的直方图结果示例图；

图8为标记的钙化斑块示例图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

参考图1所示，一种自动检测人体心脏冠脉钙化斑块的方法，包括以下步骤：

S1、采用深度学习神经网络对冠脉CTA序列原始图进行分割，获得人体心脏冠脉提取图；

S2、对人体心脏冠脉提取图进行处理，生成各分支血管的拉直图片；

S3、对各拉直图片进行血管分割，获得各分支血管的拉直血管图；

S4、调整窗框窗位，对各拉直血管图计算其整幅图像的像素值，若其存在像素值大于220的像素点，则判定为存在钙化斑块，从拉直血管图中筛选出带有钙化斑块的拉直血管图；

S5、将带有钙化斑块的拉直血管图转化为灰度图，遍历整副图像像素点的灰度值，对灰度值大于220的像素点自动填充颜色，获得钙化斑块提取结果。

S6、统计灰度图中每一行中灰度值大于220的像素点的数目m及所分割血管的像素直径n，将m除以n以得到量化的血管狭窄率。

其中，步骤S1具体包括：

S11、冠脉CTA序列原始图的预处理。

CTA序列是以Dicom文件格式存放的，将CTA序列原始图按一定的窗宽窗位转换成图片格式，获得CTA序列图片。本实施例中采用的图片格式为jpg。动态调整窗宽窗位，以确保图像中直径1.5mm以上的血管可以被清晰地显示，本实施例窗宽窗位为400，70。

S12、全图分割。

通过预先训练的全图模型对CTA序列图片进行分割，得到主冠脉和主要分支血管的分割结果。

S13、局部patch分割。

基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后利用CT图像相邻层间的相关性，根据各血管的中心位置在相邻层(上下层)图片的对应位置，扩展出patch图像(本实施例中，patch图像像素大小为40x40)，通过预先训练的局部patch模型对patch图像做分割，得到细小分支血管的分割结果。

S14、融合全图和patch的分割结果。

将S3的各patch图像分割结果映射到全图分割结果的对应位置进行融合，若全图分割结果在对应位置没有提取出血管，则用patch图像分割的结果替代该位置的全图分割结果，如此，即实现主冠脉、分支血管及细小分支血管的分割结果的融合，获得人体心脏冠脉。

步骤S12与S13中，全图模型及局部patch模型均为卷积神经网络模型，其网络模型结构优选地由Resnet+Pyramid Pooling+Densecrf构成。Resnet相对于VGG等网络，可以用更深的网络(如50层、101层)更加准确的提取特征，同时可以保证训练能够很好的收敛。Pyramid Pooling模块融合了4种不同金字塔尺度特征，减少了不同子区域上下文信息损失，可以从不同感受野表征子区域融合信息。

在步骤S12及S13中，考虑到血管的特殊性，需要选择合适的训练全图模型和训练局部patch模型的特征图的宽度和高度。具体地，考虑到CT序列图片中，血管的尺寸较小，为了使血管细节可以被清晰地被识别分割，本实施例中将用于训练全图模型的特征图的宽度和高度设置为CT序列图片的1/4；而在patch图像中，血管占比较大，将用于训练局部patch模型的特征图的宽度和高度设为patch图像的1/8。

传统全图模型与局部patch模型中的原始损失函数的计算步骤包括：

a、计算softmax的归一化概率，则有：

x_i＝x_i-max(x₁，...，x_n)；

b、计算损失，则有：

Loss--logp_k，k为样本label。

由于血管像素和背景像素之间存在严重的不平衡，本实施例对softmax损失函数进行优化，在计算Loss时，给不同类别的Label乘以不同的权重w，则有：

Loss＝-w_k*logp_k；

式中,p_k为样本属于k的概率；根据图像质量和适用场景，动态优化出权重组合，使得Loss函数取得最小值，从而解决前景和背景不均衡导致模型不能收敛到更好的位置，以使得分割效果最优。本实施例中，对主要分支血管及细小分支血管赋予大于主冠脉的权重，对主冠脉赋予大于背景的权重，具体地，主分支血管及细小分支血管分类的权重优选为10，主动脉的权重优选为2，背景的权重优选为1，从而使得模型可以更好地被收敛，获得准确的分割结果。

步骤S2具体包括：

S21、通过ITK中的BinaryThinningImageFilter3D方法对人体心脏冠脉提取图进行骨架提取；

S22、基于骨架提取结果，通过VTK的vtkBoostPrimMinimumSpanningTree方法计算各个分支血管的中心线坐标；

S23、根据某一分支血管的中心线坐标计算其中心线各处的切平面，根据切平面选取中心线周围一定规格的数据(需保证将分支血管涵盖在其中，本实施例为40*40)，将所有选取的数据进行拼接，生成该分支血管的拉直图片，如图2所示的是拉直图片示例图。

S24、重复步骤S23，直至获得各分支血管的拉直图片。

网络模型的输入大部分是一个正方形的图片，如果直接将拉直的图片放进去。很难匹配合适的模型，同时会导致模型参数复杂，影响模型的训练及分割效率，故而步骤S3具体包括：

S31、将拉直图片分成若干个patch图像(本实施例中为40*40，如图3所示)，采用深度学习神经网络分别对每个patch图像进行分割，得到各patch图像的分割结果(如图4所示)；

S32、对各patch图像的分割结果进行拼叠还原，获得各分支血管的拉直血管图，如图5所示的是最终获得的拉直血管图的示例图。

以若干个patch图像进行分割的方式简化了模型参数，提升了图像处理效率。

步骤S4中，将窗宽窗位调整为300/800，在此窗宽窗位下，钙化斑块的特征非常明显。该步骤中，钙化斑块的判定是通过对大量的病例单支血管进行分析获得的，钙化斑块的中心像素值大于220。在已筛选出存在钙化斑块的拉直血管图片的基础上进行钙化斑块的检测，极大的提高了钙化斑块检测的速率与正确率。

为使得结果更加直观，通过opencv库里面的calcHist函数方法计算图像的像素值分布以生成血管直方图，如图6所示的是带有有钙化斑块分布的直方图结果示例图，如图7所示的是没有钙化斑块分布的直方图结果示例图，其中，横坐标为像素点的灰度级，纵坐标为像素数目。

步骤S5中利用OpenCV库将带有钙化斑块的拉直血管图转化为灰度图，其填充的颜色应当与背景色有明显区别(如红色)，如图8是获得钙化斑块提取结果的示例图，图中血管中的深色斑块即为钙化斑块。步骤S6中像素直径n即为该行中属于分割血管的像素点。

和传统需要大量人工设置的方法相比，本发明血管的提取更加鲁棒，更快速。对经验不丰富的医生来说能够快速的提升医生的工作效率。而传统算法需要调整不同的阈值去适应多变的场景，提取的效果也很难保证。

通过本发明的方法，我们测试了60病例，钙化斑块检测正确率98％，50个钙化病例中，检测出来49个带有钙化斑块，并且漏检的一个病例是狭窄程度小于25％的点状钙化斑块。因此，本发明对大多数的钙化斑块检测行之有效，并且可实现自动检测，极大了提高了效率。

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，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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。