基于卷积神经网络的扫描图像分析系统及其方法与流程

本申请涉及图像分析领域，且更为具体地，涉及一种基于卷积神经网络的扫描图像分析系统及其方法。

背景技术：

1、胸痛三联征(chest pain triple-rule-out，tro)主要表现为急性胸痛发作的3种疾病及并发症，临床上最常见的病因包括急性冠状动脉综合征(acs)、肺动脉栓塞(pe)和胸腹主动脉夹层(ad)。

2、急性胸痛是急诊科及心血管内科最常见的疾病之一，起病很急，发病凶险可危及生命，临床症状主要表现为胸痛、呼吸困难和咯血等。然而，急性胸痛是临床上最常见的症状之一，是以胸痛为主要表现的一组异质性疾病群。不同病因导致的胸痛症状既相似，又有不同特征，具体可表现为不同部位、不同性质和不同程度的疼痛，且伴随症状亦可不同。因此，若仅凭临床症状及实验室检查难以及时确诊，而且实验室和超声等检查耗时长，不利于tro早期诊断。不仅如此，常规的ct检查也只能满足单项的cta检查，不能同时兼顾三种疾病，很容易忽略acs、pe或ad其中一到两个疾病的检出，容易出现误诊或漏诊。

3、因此，期望一种优化的基于卷积神经网络的扫描图像分析系统，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于卷积神经网络的扫描图像分析系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出肺动脉cta扫描图像中关于肺动脉的隐含特征，以此来进行冠状动脉cta扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于胸痛三联征患者的早期治疗。

2、根据本申请的一个方面，提供了一种基于卷积神经网络的扫描图像分析系统，其包括：

3、图像采集模块，用于获取冠状动脉轴位cta扫描图像；

4、图像预处理模块，用于对所述冠状动脉轴位cta扫描图像进行图像预处理以得到预处理后冠状动脉轴位cta扫描图像；

5、冠状动脉轴位图像特征提取模块，用于将所述预处理后冠状动脉轴位cta扫描图像通过包含深浅特征融合模块的卷积神经网络模型以得到冠状动脉轴位cta扫描特征图；

6、矩阵展开模块，用于将所述冠状动脉轴位cta扫描特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个局部特征展开特征向量；

7、全局语义关联模块，用于将所述多个局部特征展开特征向量通过基于转换器的上下文编码器以得到多个上下文局部特征展开特征向量；

8、特征优化模块，用于对所述多个上下文局部特征展开特征向量进行特征优化以得到多个优化上下文局部特征展开特征向量；

9、级联融合模块，用于将所述多个优化上下文局部特征展开特征向量进行级联以得到分类特征向量；以及

10、扫描结果检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示冠状动脉轴位cta扫描结果是否正常。

11、根据本申请的另一方面，提供了一种基于卷积神经网络的扫描图像分析方法，其包括：

12、获取冠状动脉轴位cta扫描图像；

13、对所述冠状动脉轴位cta扫描图像进行图像预处理以得到预处理后冠状动脉轴位cta扫描图像；

14、将所述预处理后冠状动脉轴位cta扫描图像通过包含深浅特征融合模块的卷积神经网络模型以得到冠状动脉轴位cta扫描特征图；

15、将所述冠状动脉轴位cta扫描特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到多个局部特征展开特征向量；

16、将所述多个局部特征展开特征向量通过基于转换器的上下文编码器以得到多个上下文局部特征展开特征向量；

17、对所述多个上下文局部特征展开特征向量进行特征优化以得到多个优化上下文局部特征展开特征向量；

18、将所述多个优化上下文局部特征展开特征向量进行级联以得到分类特征向量；以及

19、将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示冠状动脉轴位cta扫描结果是否正常。

20、与现有技术相比，本申请提供的一种基于卷积神经网络的扫描图像分析系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出肺动脉cta扫描图像中关于肺动脉的隐含特征，以此来进行冠状动脉cta扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于胸痛三联征患者的早期治疗。

21、根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

技术特征：

1.一种基于卷积神经网络的扫描图像分析系统，其特征在于，包括：

2.根据权利要求1所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述冠状动脉轴位图像特征提取模块，用于：

3.根据权利要求2所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述全局语义关联模块，包括：

4.根据权利要求3所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述特征优化模块，用于：通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合每个所述局部特征展开特征向量和每个所述上下文局部特征展开特征向量以得到所述多个优化上下文局部特征展开特征向量；

5.根据权利要求4所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述级联融合模块，用于：以如下级联公式将所述多个优化上下文局部特征展开特征向量进行级联以得到分类特征向量；

6.根据权利要求5所述的基于卷积神经网络的扫描图像分析系统，其特征在于，所述扫描结果检测模块，包括：

7.一种基于卷积神经网络的扫描图像分析方法，其特征在于，包括：

8.根据权利要求7所述的一种基于卷积神经网络的扫描图像分析方法，其特征在于，将所述预处理后冠状动脉轴位cta扫描图像通过包含深浅特征融合模块的卷积神经网络模型以得到冠状动脉轴位cta扫描特征图，包括：

9.根据权利要求8所述的一种基于卷积神经网络的扫描图像分析方法，其特征在于，对所述多个上下文局部特征展开特征向量进行特征优化以得到多个优化上下文局部特征展开特征向量，包括：通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合每个所述局部特征展开特征向量和每个所述上下文局部特征展开特征向量以得到所述多个优化上下文局部特征展开特征向量；

10.根据权利要求9所述的一种基于卷积神经网络的扫描图像分析方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示冠状动脉轴位cta扫描结果是否正常，包括：

技术总结
本申请涉及图像分析领域，其具体地公开了一种基于卷积神经网络的扫描图像分析系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出肺动脉CTA扫描图像中关于肺动脉的隐含特征，以此来进行冠状动脉CTA扫描结果是否正常的检测判断，以辅助医生进行胸痛三联征的诊断，提高医生的工作效率且降低误诊率，便于胸痛三联征患者的早期治疗。

技术研发人员：李辉,袁泽,李俊杰,万娜
受保护的技术使用者：新疆生产建设兵团医院
技术研发日：
技术公布日：2024/1/15