一种面向CTA影像的智能冠状动脉狭窄评估方法

本发明属于医学图像处理，具体涉及一种面向cta影像的智能冠状动脉狭窄评估方法。

背景技术：

1、原始cta图像实质上是利用ct机扫描出人体的横向断层切片图，其中包含人体许多的器官与组织，在实际诊断中，并不利于医生观察指定部位的病变情况。在过去，针对心血管疾病的诊断通常依赖于医生的人工阅片经验，随着医学影像技术的发展，现在已经可以对原始cta图像进行曲面重建，得到血管的剖面图，帮助医生进行高效分析。

2、冠心病是由于冠状动脉血管管腔存在粥样硬化斑块引起血管狭窄所导致的心血管疾病，通过深度学习技术可以对冠脉血管狭窄进行自动评估，辅助医生高效且准确地诊断患者是否患有冠心病。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种面向cta影像的智能冠状动脉狭窄评估方法，首先，以语义分割网络u-net为基础，提出了一种基于注意力残差网络的attention res-unet冠脉狭窄分割网络模型用于冠脉血管的自动分割。其次，利用冠脉cpr原图与上一步得到的分割图相结合进行分类预测，在res-net50基础模型上进行改进，提出了一种多尺度卷积神经网络res2net冠脉狭窄分类网络模型，用于判断冠脉血管的狭窄程度。本发明按照美国cass冠脉病变血管诊断标准将冠状动脉狭窄类型分为轻度狭窄、中度狭窄和重度狭窄，以此实现对冠状动脉狭窄的自动评估。

2、本发明解决其技术问题所采用的技术方案如下

3、步骤1：基于最短路径分支删除的冠状动脉中心线提取；

4、步骤1-1：采用体素十二方向的删除点，十二个方向代表立方体的十二条边，将它们分为四组，每组包含三个方向；

5、步骤1-2：将三维骨架线转化为具有有向边和节点的有向图，其中，只有单个相邻点的体素点被称为端点，两个相邻点之间的体素点被称为普通链接点，若有多于两个相邻点，则被视为节点；普通链接点之间的边构成一段有向边；根据有向图中节点数量n构建n×n的邻接矩阵z，其表达式如式(1)所示：

6、

7、在冠状动脉中心线的搜索过程中，第i个节点到第j个节点的路径长度被用表示为zij；若节点a与节点b之间的路径长度比经过节点c的路径长度更短，则表明节点a和节点b是相邻的；当搜索完所有节点后，将它们依次连接起来，得到冠状动脉中心线；

8、步骤2：多角度三线性插值曲面重建算法；

9、步骤2-1：基于frenet框架的曲面重建算法；

10、将冠状动脉的中心线视为中心点在整个三维空间中的运动轨迹；frenet-serret公式如式(2)所示

11、

12、其中，t表示单位切向量；n表示单位法向量，是通过将弧长参数进行微分而得出的矢量；b作为副法向量，是由切向量t和法向量n的外积构成；d/ds是用来计算弧长的积分，κ和τ分别为所描述曲线的曲率和挠率；

13、在冠脉血管进行曲面重建时，为了计算每个中心点的frenet坐标，将中心线视为离散的中心点，使其离散化；假设冠脉血管中心线存在三个连续点m1、m2、m3，将三个点的坐标分别记作[x1，y1，z1]、[x2，y2，z2]、[x3，y3，z3]，并通过点与点之间的关系来确定每个点的切向量，从而得到每个点处的平均切向量，从而实现对冠脉血管的拉直曲面重建，其表达式如式(3)所示：

14、

15、通过计算切向量和法向量之间的正交关系，可以将它们的乘积记作点的法向量，其表达式如式(4)所示：

16、

17、将切向量t和法向量n的平均值记为该点的副法向量，其表达式如式(5)所示：

18、

19、通过对三个向量进行标准正交化，计算出中心点m2处的frenet坐标，根据该坐标即可获得中心点m2的灰度值；通过遍历中心线内的所有中心点，并使用frenet公式计算出它们在tnb坐标系中的位置和灰度值，最后将这些灰度值按顺序拼接起来，就可以得到冠脉血管曲面重建后的图像；

20、步骤2-2：三线性插值算法；

21、三线性插值需要与其相邻的八个点进行插值；点p(x，y，z)在一个三维空间中，其中点p的左边分量点x分别向上和向下取整后得到xl与xh；同理，分别对分量y和分量z取整，得到分量坐标后，对y方向进行插值，先对v1进行计算，计算过程如式(5)所示：

22、v1＝(yh-y)i(xh，yh，zh)    (5)

23、+(y-yl)i(xh，yh，zh)

24、同理计算出v2、v3和v4。根据计算结果对x方向进行线性插值，计算过程如式(6)所示：

25、v5＝(xh-x)v4+(x-xl)v3

26、v6＝(xh-x)v1+(x-xl)v2  (6)

27、最后再对z方向进行插值计算即可得到点p处的灰度值，计算过程如式(7)所示：

28、vo＝(zh-z)v6+(z-zl)v5  (7)

29、在提取到所有点的灰度值后，再对中心线数据进行均匀采样，删除重复的中心点；确保采样后的中心点数据的最小间隔为单个体素块；

30、步骤2-3：多角度曲面重建算法；

31、改变重建体数据的感兴趣矢量对冠状动脉进行曲面重建；沿着x轴方向从0°到180°中均匀选取五个方向作为映射方向对冠脉血管进行曲面重建；

32、步骤3：构建attention res-unet冠脉狭窄分割网络；

33、attention res-unet冠脉狭窄分割网络是在u-net网络框架上添入残差模块和空间注意力机制；首先将残差模块替换基础网络中编码和解码阶段中的卷积模块；其次，在解码阶段，将注意力机制添加到跳跃连接之前；最后通过一个1×1的卷积进行通道调整，输出模型最终的预测结果；

34、步骤3-1：attention res-unet中的残差模块；

35、将u-net网络原始编码阶段和解码阶段的卷积模块改为残差模块；attentionres-unet中的残差模块中包括三个卷积层，第一个卷积层的作用是对特征通道进行降维，然后在第二个11卷积层中恢复特征通道，其次利用残差块恒等映射的方法来计算，最后将其叠加，以此作为残差模块的输出；

36、步骤3-2：attention res-unet中的注意力机制；

37、将attention gate模块通过跳跃连接集成到u-net网络的上采样模块中，实现空间上的注意力机制，突出cpr图像中需要分割的血管区域，抑制背景中的噪声、运动伪影以及其他可能存在的血管区域；

38、(1)空间注意力

39、使用空间注意力机制sam，将注意力分配至冠脉血管区域，从而实现增强目标区域并且抑制背景区域的目的；

40、首先对一个h×w×c的特征f进行平均池化操作与最大池化操作，在这个过程中得到两个新的h×w×1的特征，将二者分别记为同时将这两个新特征拼接在一块；再对其进行一个7×7的卷积操作和sigmod激活函数，即得到权重系数ms；最后将ms与输入的特征f相乘，得到的结果即为比输入特征f拥有更多冠脉血管位置的有效特征f′；sam权重系数ms计算公式如式(8)，其中，f7*7代表经过7×7的卷积层；

41、

42、(2)attention res-unet的注意力机制；

43、attention res-unet算法在u-net网络的解码阶段引入注意力模块，在跳跃连接之前添加注意力机制；

44、设xl为编码过程中所提取到的特征，gl为解码过程中所提取到的特征，首先将xl和gl相加，使得二者重复区域拥有更大的激活值；其次利用空间注意力sam计算出注意力权重系数σ1，从而获得冠脉cpr图中要分割的血管特征信息，抑制背景中的噪音以及运动伪影等无用信息；注意力机制的输出特征为编码阶段xl与al按元素相乘的结果最后将该特征与解码阶段获得的特征进行拼接融合；注意力机制输出特征的计算公式如式(9)所示：

45、

46、采用加性注意力来获得al，加性注意力公式如式(10)与式(11)所示：

47、ql＝ψ(σ1(wxxl+wggl+bg))+bψ                 (10)

48、al＝σ2(ql)                                                (11)

49、其中，σ1和σ2分别对应relu激活函数和sigmoid激活函数，wx与wg为注意力权重，bg与bψ为注意力中的偏执项；

50、步骤4：基于多尺度卷积神经网络res2net冠脉狭窄分类网络模型；

51、在res-net50网络框架里构建多通道的残差连接，并采用前期融合方法将多个与目标相关的特征进行融合；首先，将冠脉cpr原图与分割后的图像进行融合，使网络可以获得更多特征从而提高分类预测的准确率；其次，对res-net50网络中的残差模块进行重构，增大每一层网络的感受野；

52、步骤4-1：多尺度卷积神经网络res2net中的特征融合；

53、将冠脉血管原始cpr图像与分割后的冠脉血管cpr图像进行特征融合，增加输入到网络中的特征维度，从而使网络获得更多冠脉血管的特征信息，提高图像分类的准确率；

54、采用前期融合方法对冠脉血管狭窄程度分类网络进行特征融合：在输入层上做融合，先融合多层特征，再输入到深度学习的网络当中；

55、步骤4-2：多尺度卷积神经网络res2net中的res2net模块；

56、采用残差模块res2net，在res-net网络中构建出具有等级制的残差连接；res2net模块中，将3×3的卷积层替换成分组小卷积，并且通过类似残差连接的方式，将不同的卷积组逐层串连起来，形成一种新的神经网络模块；

57、在res2net模块中，特征图x首先经过1×1的卷积后，被分为s个子集，每个子集用xi表示，其中i∈{1，2，3，...，s}；拆分后每个子集的通道数是原来的1/s，空间大小与原有的特征图保持一致；除了第一个特征子集外，每个特征子集xi都有与之对应的3×3卷积层，用ki()表示，输出定义为yi；在处理过程中，为了减少参数并增加s的数量，x1不经过3×3的卷积处理，即y1＝x1，其余特征子集xi和ki-1()相加后一同被送入ki()进行处理；因此yi由公式(12)表示：

58、

59、优选地，所述attention res-unet冠脉狭窄分割网络由编码阶段、解码阶段和预测阶段组成；在编码阶段用残差模块替换原本的卷积模块，构成用于提取特征的残差单元；编码阶段由五个残差单元组成，用于提取冠脉cpr图像的特征信息，再经过2×2的最大池化操作保留图像的主要特征并减小图像尺寸；在该阶段网络获得五个初步有效特征层，再将其送入解码阶段进行特征融合，因此编码阶段的作用是提取冠脉cpr图像特征，并且扩大感受野；解码阶段利用编码阶段获取到的初步有效特征层进行上采样，在该阶段同样将残差模块替换原本的卷积模块进行反卷积，同时将注意力机制添加到跳跃连接之前，从而使该过程传输而来的冠脉血管特征进行融合，获得最终的有效特征层；最后，采用1×1的卷积对通道进行降维，利用前两个阶段得到的特征进行预测，通过softmax对冠脉血管和背景进行分类，从而达到使其分割的目的，输出冠脉cpr图像最终分割结果。

60、优选地，所述冠脉cpr原图与分割后的图像进行融合采用add方式。

61、本发明的有益效果如下：

62、1、本发明提出了一种基于三维拓扑细化算法的冠状动脉中心线提取方法，该方法可以有效地从ct图像中提取出清晰、无多余分支的血管中心线，为后续的血管分析提供精确的几何参数。

63、2、本发明构建了一种多角度三线性插值曲面重建算法，该算法能够在不同角度展示血管内部情况，提高血管狭窄评估的准确性。通过结合frenet框架和三线性插值技术，算法能够生成清晰度较高的冠状动脉剖面图像。

64、3、本发明开发了两个基于深度学习的网络模型：一是attention res-unet，用于冠脉血管的自动分割；二是res2net，用于血管狭窄程度的自动分类。这两个模型通过学习图像特征，能够实现对冠脉狭窄的高效识别和准确分级，从而辅助医生进行冠心病的诊断。

65、4、本发明聚焦于医学图像处理和心血管疾病的自动诊断，通过算法优化和深度学习技术，提高了冠状动脉疾病诊断的效率和准确性。