基于冠状动脉钙化的血流储备分数的预测方法及系统

本发明涉及计算机医学图像分类，尤其涉及基于冠状动脉钙化的血流储备分数的预测方法及系统。

背景技术：

1、血流储备分数(ffr)被认为是评估冠状动脉疾病引起的血液流动异常的黄金标准。它的工作原理是在冠状动脉造影检查后，使用药物如腺苷来扩张冠状动脉，模拟最大的血流状态，并测量狭窄病变远端和近端的压力，通过压力比例计算并得出血流储备分数。然而，在临床实践中，ffr并没有被广泛采用，这主要是由于以下原因，一是测量过程时间较长；二是测量所需的压力线和药物，如腺苷费用较高；三是侵入性手术会增加风险，并可能导致严重的并发症；

2、ct-ffr技术作为一种非侵入性的检查方法正在逐渐受到关注。它利用冠状动脉ct血管成像(ccta)来计算模拟ffr值，然而，现有技术都基于ccta数据，而ccta是在血管中注射了造影剂增加了ct图像中血管的ct值，便于血管分割。目前无创的血流储备分数都基于ccta进行模型重建，但对于造影剂过敏的患者不适用。而心脏ct图像具有复杂组织结构和接近的ct值，分割特定部分较困难，影响模型重建。因此，需要其它的方法来预测血流储备分数。

技术实现思路

1、为了解决上述技术问题，本发明的目的是提供基于冠状动脉钙化的血流储备分数的预测方法及系统，能够通过改进的3d-vgg16分类识别模型实现图像中的冠状动脉和冠状动脉钙化斑块的更加精准识别定位。

2、本发明所采用的第一技术方案是：基于冠状动脉钙化的血流储备分数的预测方法，包括以下步骤：

3、获取患者的ccta数据和ct图像并进行数据预处理，得到预处理后的ccta数据和预处理后的ct图像，所述ccta数据和ct图像均具有钙化斑块特征；

4、将2d卷积进行扩展为3d卷积，构建3d-vgg16分类识别模型；

5、基于预处理后的ccta数据对3d-vgg16分类识别模型进行预训练处理，得到初步训练后的3d-vgg16分类识别模型；

6、基于预处理后的ct图像对初步训练后的3d-vgg16分类识别模型进行迁移学习，得到最终训练后的3d-vgg16分类识别模型；

7、基于最终训练后的3d-vgg16分类识别模型对患者ct图像中的钙化斑块特征进行ffr值分类检测，得到检测结果。

8、进一步，所述获取患者的ccta数据和ct图像并进行数据预处理，得到预处理后的ccta数据和预处理后的ct图像这一步骤，其具体包括：

9、对ccta数据和ct图像进行格式转换处理，得到nifti数据格式的ccta数据和nifti数据格式的ct图像；

10、分别对nifti数据格式的ccta数据和nifti数据格式的ct图像进行中心裁剪处理，得到裁剪后的ccta数据和裁剪后的ct图像，所述裁剪后的ccta数据和裁剪后的ct图像均含有冠状动脉的切片；

11、根据冠状动脉的切片，对裁剪后的ccta数据和裁剪后的ct图像分别进行划分与标注处理，得到预处理后的ccta数据和预处理后的ct图像。

12、进一步，所述根据冠状动脉的切片，对裁剪后的ccta数据和裁剪后的ct图像分别进行划分与标注处理，得到预处理后的ccta数据和预处理后的ct图像这一步骤，其具体包括：

13、所述冠状动脉的切片包括右冠状动脉、左冠状动脉前降支和左冠状动脉回旋支，分别计算裁剪后的ccta数据和裁剪后的ct图像中的右冠状动脉、左冠状动脉前降支和左冠状动脉回旋支对应的ffr值；

14、选取裁剪后的ccta数据和裁剪后的ct图像分别对应的最小ffr值作为标签值；

15、根据标签值对裁剪后的ccta数据和裁剪后的ct图像进行标注处理，得到标注后的ccta数据和标注后的ct图像；

16、根据预设比例数对标注后的ccta数据和标注后的ct图像进行划分处理，得到ccta数据的训练集、ccta数据的测试集、ct图像的训练集和ct图像的测试集。

17、进一步，所述将2d卷积进行扩展为3d卷积，构建3d-vgg16分类识别模型这一步骤，其具体包括：

18、基于vgg16分类识别模型，将2d卷积替换为3d卷积，构建3d-vgg16分类识别模型；

19、所述3d-vgg16分类识别模型包括第一卷积注意力层、第二卷积注意力层、第三卷积注意力层、第四卷积注意力层、第五卷积注意力层和全连接层；

20、所述第一卷积注意力层包括第一8核卷积注意力层、第二8核卷积注意力层和第一最大池化层；

21、所述第二卷积注意力层包括第一16核卷积注意力层、第二16核卷积注意力层和第二最大池化层；

22、所述第三卷积注意力层包括第一32核卷积注意力层、第二32核卷积注意力层、第三32核卷积注意力层和第三最大池化层；

23、所述第四卷积注意力层包括第一64核卷积注意力层、第二64核卷积注意力层、第三64核卷积注意力层和第四最大池化层；

24、所述第五卷积注意力层包括第一128核卷积注意力层、第二128核卷积注意力层、第三128核卷积注意力层和第五最大池化层；

25、所述全连接层包括第一全连接层、第二全连接层和第三全连接层。

26、进一步，所述第一卷积注意力层、第二卷积注意力层、第三卷积注意力层、第四卷积注意力层和第五卷积注意力层均包括3×3×3卷积层、注意力模块、最大池化层、全连接层、leakyrelu、relu激活函数和softmax激活函数，其中，所述注意力模块包括空间域注意力模块和通道域注意力模块。

27、进一步，所述将基于预处理后的ccta数据对3d-vgg16分类识别模型进行预训练处理，得到初步训练后的3d-vgg16分类识别模型这一步骤，其具体包括：

28、将预处理后的ccta数据进行数据增强处理，得到增强后的ccta数据；

29、将增强后的ccta数据输入至3d-vgg16分类识别模型；

30、基于3d-vgg16分类识别模型的第一卷积注意力层、第二卷积注意力层、第三卷积注意力层、第四卷积注意力层和第五卷积注意力层对增强后的ccta数据进行特征提取处理，得到ccta的特征数据；

31、基于3d-vgg16分类识别模型的全连接层对ccta的特征数据进行特征映射处理，得到ccta数据的标记空间；

32、基于ccta数据的标记空间，通过交叉熵损失函数对3d-vgg16分类识别模型进行反向传播更新，得到初步训练后的3d-vgg16分类识别模型。

33、进一步，所述交叉熵损失函数的表达式具体如下所示：

34、

35、上式中，pi＝[p0,…pc-1]表示一个概率分布，元素pi表示样本属于第i类的概率，yi＝[y0,…yc-1]表示样本标签，当样本属于第i类时yi＝1，否则yi＝0，c表示类别数，loss(·)表示交叉熵损失函数。

36、进一步，所述基于预处理后的ct图像对初步训练后的3d-vgg16分类识别模型进行迁移学习，得到最终训练后的3d-vgg16分类识别模型这一步骤，其具体包括：

37、对预处理后的ct图像进行数据增强处理，得到增强后的ct图像；

38、基于增强后的ct图像对初步训练后的3d-vgg16分类识别模型中的全连接层参数进行微调处理，得到最终训练后的3d-vgg16分类识别模型。

39、本发明所采用的第二技术方案是：基于冠状动脉钙化的血流储备分数的预测系统，包括：

40、获取模块，用于获取患者的ccta数据和ct图像并进行数据预处理，得到预处理后的ccta数据和预处理后的ct图像，所述ccta数据和ct图像均具有钙化斑块特征；

41、构建模块，用于将2d卷积进行扩展为3d卷积，构建3d-vgg16分类识别模型；

42、训练模块，基于预处理后的ccta数据对3d-vgg16分类识别模型进行预训练处理，得到初步训练后的3d-vgg16分类识别模型；

43、学习模块，基于预处理后的ct图像对初步训练后的3d-vgg16分类识别模型进行迁移学习，得到最终训练后的3d-vgg16分类识别模型；

44、检测模块，基于最终训练后的3d-vgg16分类识别模型对患者的ct图像进行ffr值分类检测，得到检测结果。

45、本发明方法及系统的有益效果是：本发明通过获取患者具有钙化斑块的ccta及ct图像并进行图像的预处理，进一步基于vgg16网络模型，将原来的2d卷积扩展为3d卷积，使其具有与大尺度卷积核相同的感受野，减少所需参数，提高模型对图像中目标物体的定位能力与提高模型对图像中目标物体的识别能力，基于改进的网络模型进行图像的预训练，帮助模型中的注意力模块更快地关注到图像中的冠状动脉和冠状动脉钙化斑块，从而加速模型在后续迁移学习的收敛，并提高模型性能，最终基于训练后的模型进行冠状动脉钙化预测ffr值，对于有造影剂过敏的患者提供一种新的非侵入性的检查方法，起到辅助临床诊断的作用，提高治疗方案的有效性，降低医疗总成本。