本发明涉及人工智能与医学图像处理领域，特别涉及一种基于模型迁移的冠状动脉钙化斑块检测方法。
背景技术：
冠心病在许多国家已经成为死亡原因的第一位。冠状动脉中的钙化斑块会造成冠脉血管狭窄，心肌缺氧，心脏舒缩功能下降，引发冠心病。因此，冠状动脉钙化斑块检测对于冠心病的预防有着至关重要的作用。
在传统的医学图像处理方法中，钙化斑块检测过程仍然需要人工介入，比如种子点或初始化区域的选取。
近年来，随着深度学习的发展，卷积神经网络已经在自然图像处理领域取得了空前的成果。但是，在医学图像领域，由于卷积神经网络的训练需要大量的有标记数据，而冠状动脉钙化斑块检测的专业性过强，只能通过专家来标记斑块，导致有标记的数据集规模不足以训练深度网络。
技术实现要素：
本发明为了克服有标记的数据集规模过小的困难，将自然图像检测作为源域，冠状动脉钙化斑块检测作为目标域，提出一种基于模型迁移的冠状动脉钙化斑块检测方法。利用源域和目标域的参数共享模型，将利用自然图像训练完成的卷积神经网络的参数作为检测冠状动脉钙化斑块的卷积神经网络的初始化参数，减少训练深度卷积神经网络参数的计算量，用医学图像的小数据集训练深度卷积神经网络来检测冠状动脉图像中的钙化斑块。
本发明一种基于模型迁移的冠状动脉钙化斑块检测方法，主要包括以下步骤：
步骤1，读取训练集中的冠状动脉ct图像；
步骤2，根据医学影像标准，提取所述冠状动脉ct图像中的候选钙化斑块；
步骤3，对所述候选钙化斑块图像进行数据增强操作；
步骤4，将数据增强后的候选钙化斑块图像输入到已通过自然图像训练完成的全卷积网络模型中进行训练，得到检测模型；
步骤5，读取测试集中冠状动脉ct图像；
步骤6，根据医学影像标准，提取测试集中冠状动脉ct图像中的候选钙化斑块；
步骤7，将所述步骤6中得到的候选钙化斑块图像作为所述步骤4得到的检测模型的输入，端对端得到每个像素是否属于钙化斑块的检测结果。
本发明提供的一种基于模型迁移的冠状动脉钙化斑块检测方法，根据卷积神经网络模型可以在不同领域间迁移的特点，使用少量的训练样本训练检测冠状动脉钙化斑块的模型。
附图说明
图1是本发明提供的一种基于模型迁移的冠状动脉钙化斑块检测方法流程图。
具体实施方式
本发明的总体构思是，通过直接对病人的冠状动脉ct图像进行全自动分析，得到图像中的候选钙化斑块，然后通过深度学习中的模型迁移方法，利用经过自然图像训练的深度学习模型来训练冠状动脉钙化斑块的卷积神经网络模型，从而准确地预测冠状动脉医学图像中的钙化斑块。
下面结合附图对本发明实施例提供的一种基于模型迁移的冠状动脉钙化斑块的检测方法进行详细描述。
图1为本发明实施例提供的一种基于模型迁移的冠状动脉钙化斑块检测方法流程图。
步骤s101，读取训练集中的冠状动脉ct图像。
训练集中的冠状动脉ct图像的钙化斑块标记由医学专家完成。斑块的标记为像素级标记，若像素属于钙化斑块，则标记为true，反之，则标记为false。
在本实施例中，冠状动脉ct图像为dicom序列切片文件。训练集中含有14558个dicom文件，每张图像分辨率为512*512，像素间距为0.4mm。
步骤s102，根据医学影像标准，提取通过步骤s101读取的冠状动脉ct图像中的候选钙化斑块。
医学影像标准中，钙化斑块的定义为ct值超过130hu并且面积不小于2mm2。
对冠状动脉ct图像使用阈值法筛选ct值超过130hu的像素点。公式如下，
其中，c(x,y)为经阈值筛选后的二值图像，t(x,y)为训练集中的原始图像，t的值为130hu。
提取c(x,y)中面积不小于2mm2的方法为连通分量标记，由于本实施例中图像的像素间距为0.4mm，所以提取包含20个像素以上的连通区域。在本实施例中，提取的大小超过20的连通区域数量为54168。
删除c(x,y)中包含像素小于20的连通区域，获得候选钙化斑块掩码图像m(x,y)。
利用掩码图像m(x,y)对原始图像t(x,y)进行非候选钙化斑块像素点的屏蔽处理，得到只包含候选钙化斑块的图像s(x,y)，公式如下，
步骤s103，对步骤s102提取的候选钙化斑块图像s(x,y)进行数据增强操作。
将候选钙化斑块图像依次进行截取、水平与竖直翻转。
在本实施例中，每幅图像被随机截取10幅大小为224*224的图像，并水平与竖直翻转。经过数据增强后训练样本数量为436740。
增强的后候选钙化斑块图像指的是ct图像中仅存在候选钙化斑块部分，其他不属于候选钙化斑块的部分像素值设为0。
步骤s104，将步骤s103中得到的数据增强后的候选钙化斑块图像输入到已通过自然图像训练完成的全卷积网络模型中进行训练，得到检测模型。
在本实施例中，将步骤s103中得到的数据增强后的候选钙化斑块输入到已通过microsoftcoco数据集训练完成的全卷积网络模型中进行训练。coco数据集是微软团队赞助的图像识别、分割和图像语义数据集。全卷积网络是对图像进行像素级分类来解决语义级别的图像分割问题。
全卷积网络使用alexnet做微调，网络中包括7个卷积层、5个池化层与3个上采样层。
步骤s105，读取测试集中冠状动脉ct图像。
在本实施例中，测试集中含有6202个dicom文件，每张图像分辨率为512*512，像素间距为0.4mm。
步骤s106，根据医学影像标准，提取步骤s105中读取的冠状动脉ct图像中的候选钙化斑块。
对图像使用阈值法筛选ct值超过130hu的像素点。公式如下，
其中，c(x,y)为经阈值筛选后的二值图像，t(x,y)为训练集中的原始图像，t的值为130hu。
提取c(x,y)中面积不小于2mm2的方法为连通分量标记，由于本实施例中图像的像素间距为0.4mm，所以提取包含20个像素以上的连通区域。在本实施例中，提取的大小超过20的连通区域数量为54168。
删除c(x,y)中包含像素小于20的连通区域，获得候选钙化斑块掩码图像m(x,y)。
利用掩码图像m(x,y)对原始图像t(x,y)进行非候选钙化斑块像素点的屏蔽处理，得到只包含候选钙化斑块的图像s(x,y)，公式如下，
步骤s107，将步骤s106中得到的候选钙化斑块图像作为步骤s104得到的检测模型的输入，端对端得到每个像素是否属于钙化斑块的检测结果。
虽然参考优选实施例对本发明进行描述，但以上所述实例并不构成本发明保护范围的限定，任何在本发明的精神以及原则内的修改，等同替换和改进等，均应包含在本发明的权利要求保护范围内。