CN112785551B 一种基于深度学习的冠状动脉分割方法 （杭州电子科技大学）_第1页
CN112785551B 一种基于深度学习的冠状动脉分割方法 （杭州电子科技大学）_第2页
CN112785551B 一种基于深度学习的冠状动脉分割方法 （杭州电子科技大学）_第3页
CN112785551B 一种基于深度学习的冠状动脉分割方法 （杭州电子科技大学）_第4页
CN112785551B 一种基于深度学习的冠状动脉分割方法 （杭州电子科技大学）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明提供一种基于深度学习的冠状动脉分割方法,括如下步骤B1.获取原始CTA心脏图取最佳的CT值观测窗口，截取CTA图像中冠状动制但训练标签不同的深度神经网络NetA和Net2B4.构建深度学习网络，采用两个基于三层中继监督机制但训练标签不同的深度神经NetA训练标签只有0和1掩膜，NetB训练标签通过对NetA训练标签进行距离变换得B5.利用B4.得到的冠状动脉识别模型进行冠状3.根据权利要求1所述的一种基于深度Loss=(Loss1+2*Loss2+4*Loss34.根据权利要求3所述的一种基于深度学习的冠状动脉分割方法，其特征在于：Net设置为SAME,UpSampling层的大小设置为2×4[0001]本发明属于医学图像处理领域，具体涉及一种非诊断目的的基于CTA图像的冠状[0003]目前临床上主要采用冠状动脉CT血管造影(CTA)技术对冠心病患者进行诊断。基于CTA图像的冠状动脉血管精确分割和提取可以辅助医生诊断心血管疾病并制定合适的手[0006]为解决上述技术问题，本发明提供一的CT值观测窗口方式为人工选择或根据医[0010]B4.构建深度学习网络，采用两个基5述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处[0024]加权得到。所述Loss1、Loss2、Loss3为Dice系数差异函数，计算方式为6padding设置为SAME,UpSampling层的大小[0035]NetA的训练标签是只有0和1掩膜(mask)，NetB的训练标签通过对NetA的训练标签进行距离变换得到。7[0046]如图1的流程图所示，本发明提供了一种结合距离变换和深度学习的冠状动脉分在范围内的原始CTA图像并进行归一化，CT值小于的像素[0050]式(1)中y表示归一化后每个像素点的灰度值,x表8padding设置为SAME,UpSampling层的大小[0074]NetA的训练标签是只有0和1掩膜(mask)，NetB的训练标签通过对NetA的训练9制肺部血管等非心脏组织并去除大部分与冠状动脉灰度值相近的心房与心室等心脏组织，[0080]以上的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论