基于深度神经网络的冠脉造影图像的血管狭窄自动定位及分类预测

摘要：

提出一套基于深度神经网络与监督学习的算法,用于对冠状动脉图像中的血管狭窄特征进行自动检测和分类.主要利用冠脉造影定量分析(QCA)作为标签进行监督学习,将冠脉狭窄的严重程度分为正常(＜25％狭窄分数)、狭窄(＞25％狭窄)类别,并实现图像中的狭窄定位检测.利用inception模型作为基础分类器,对图像级狭窄进行初步分类;随后结合多层次池化结构,对多视角造影图像进行联合预测,以获取左动脉/右动脉/患者级狭窄预测.在分类器的基础上进一步提取特征,分别利用监督学习/非监督学习模型,实现图像中的狭窄定位.在235例临床研究共计13744张图像上,用所述方法进行训练及交叉验证.结果 表明,在图像级狭窄分类上,该算法可以达到85％的准确率和0.91的AUC分数;在多视图联合预测实验中,针对左/右/患者级的狭窄进行分类预测,分别达到0.94/0.90/0.96的灵敏度与0.87/0.88/0.86的AUC分数.在狭窄定位实验中,针对左/右动脉狭窄检测的灵敏度分别为0.70/0.68;在512像素×512像素的图像中,均方误差分别为37.6/39.3像素.实验证明,该算法可实现从图像到病人的辅助诊断预测潜力,具有较高的精确度;不仅能提供冠脉造影过程中的初步筛选能力,而且为更精确和自动化的计算机辅助诊断奠定基础.

关键词：深度学习;卷积神经网络;冠脉造影图像;血管狭窄预测;病灶定位

所属期刊栏目：40

分类号：R318(医用一般科学)

资助基金：重庆市教委科学技术研究项目KJQN202001131

在线出版日期：2021-08-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：301-309