技术摘要：
本发明涉及一种基于卷积神经网络端对端推理计算冠状动脉钙化比的方法。该方法包括：确定要输入的CT图像组；然后将该CT图像组切分成方格3D图像；将该图像的信息输入到神经网络中来提取抽象特征；经过第一全连接层来进行该图像是否是心脏的神经网络训练；经过第二全连接  全部
背景技术：
目前，随着互联网上图像数据的大规模增长，图像分类判别技术受到广泛的关注 和应用。尤其是在医学领域的分类和判定上，目前的技术多是基于卷积神经网络的判别模 型或者说是分类模型。由于神经网络具有很强大的抽象能力和识别能力，所以有很多科研 机构做了很多这方面的研究，并且有了许多突破性的进展。比较流行的主流网络是VGG、 ResNet、DenseNet和Google  Inception。 现有的医学分割技术基于传统计算机视觉技术，将CT值(～-1000Hu,～1000Hu)投 射到灰度空间(0～255)上，影像科医生一般通过对图像的CT值调节窗宽和窗位，待病灶区 域比较明显再进行判定，这种方法，只能够对病灶的良恶性进行初步筛查，有极大的误诊 率，但是医生能够对该病例的状况进行理性判断，从而决定是否做进一步检查，这一步检查 一般花费会比较高，当然也具有较高的准确性。 所以诊断过程中可能会涉及到按照步骤进行的推断过程，拿冠脉举例来说，影像 科医生在判断病例的钙化过程当中需要经过如下几个步骤，判断推理过程可以用一个类似 马尔可夫过程描述，状态转移示意如下：1.是否是心脏区域；2.是否有冠脉；3.冠脉中是否 有钙化；4.什么位置的冠脉；5.钙化比例如何。现在没有类似于这种能够解决这种多状态， 层层推理的端对端的神经网络。本发明提出了一个切实可行的技术方案来模拟医生的判定 过程。
技术实现要素：
本发明所要解决的技术问题是提供一种基于卷积神经网络端对端推理计算冠状 动脉钙化比的方法。本发明解决了如何模拟影像科医生在判断病例的钙化过程当中进行多 个判定的问题，提供了能够进行层层推理的端对端的神经网络，针对冠脉CT钙化区域进行 预测和评估。更具体地，基于对一些公开数据集上的一些探究，发现目前冠脉标注需要的工 作量大，而且这一步前期标注只是对冠脉进行分割，或者是基于对中心线提取的图像识别 方法。这些分割结果的目的是在为后边的工作打基础，后边对于钙化非钙化的病变位置的 识别与预测才是主要目的。所以本发明的技术方案是针对冠脉CT钙化区域的预测和评估提 出的一个方案，但是同样可以推广到涉及到层层推理的医学的其他领域。 通过本发明可以实现的技术目的不限于上文已经特别描述的内容，并且本领域技 术人员将从下面的详细描述中更加清楚地理解本文中未描述的其他技术目的。 本发明解决上述技术问题的技术方案如下： 根据本公开的一方面，本发明提供一种基于卷积神经网络端对端推理计算冠状动 脉钙化比的方法，其特征在于，所述方法包括： 4 CN 111598870 A 说　明　书 2/6 页 步骤1：确定要输入的CT图像组，该CT图像组代表病人做完CT检查后的所有图像信 息，对该CT图像组进行归一化处理来减少图像之间的差异性； 步骤2：然后将该CT图像组切分成大小为64*64*64的方格3D图像，并且在每个方格 3D图像上方都具有标签，每个方格3D图像都具有位置信息，所述标签包括五类标签； 步骤3：将具有第一类标签的方格3D图像的信息输入到3D卷积神经网络中来提取 抽象特征，经过第一全连接层来进行该方格3D图像是否是心脏的神经网络训练，将该神经 网络训练进行到一定的程度，并且将所训练的结果作为第一输出； 步骤4：将具有第二类标签的方格3D图像的信息输入到3D卷积神经网络中来提取 抽象特征，将该第一输出与抽象特征进行拼接，经过第二全连接层来进行该方格3D图像是 否有冠脉的神经网络训练，将该神经网络训练进行到一定的程度，并且将所训练的结果作 为第二输出； 步骤5：将具有第三类标签的方格3D图像的信息输入到3D卷积神经网络中来提取 抽象特征，将该第二输出与抽象特征进行拼接，经过第三全连接层来进行该方格3D图像具 有的冠脉中是否有钙化的神经网络训练，将该神经网络训练进行到一定的程度，并且将所 训练的结果作为第三输出； 步骤6：将具有第四类标签的方格3D图像的信息输入到3D卷积神经网络中来提取 抽象特征，将该第二输出与抽象特征进行拼接，经过第四全连接层来进行该方格3D图像具 有的冠脉所在的位置的神经网络训练，将该神经网络训练进行到一定的程度，并且将所训 练的结果作为第四输出； 步骤7：将具有第五类标签的方格3D图像的信息输入到3D卷积神经网络中来提取 抽象特征，将该第三输出与抽象特征进行拼接，经过第五全连接层来进行该方格3D图像具 有的冠脉的钙化比例的神经网络训练，将该神经网络训练进行到一定的程度，并且将所训 练的结果作为第五输出。 可选地，所述3D卷积神经网络是ResNet或者VGG用作骨干的神经网络。 可选地，所述CT图像组具有256张图像，该图像的大小是512*512。 可选地，所述CT图像组中的图像的数量根据不同病人的情况而不同，该图像的大 小是512*512。 可选地，所述五类标签分别是：是否是心脏、是否有冠脉、冠脉中是否有钙化、冠脉 所在的位置、钙化比例。 可选地，所述一定的程度是80％的准确率。 可选地，将该第五输出归类为5个档次，所述5个档次分别是无、轻微、中等、严重、 堵塞。 根据本公开的一方面，本发明提供一种基于卷积神经网络端对端推理计算冠状动 脉钙化比的设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处 理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上任一项所述的基 于卷积神经网络端对端推理计算冠状动脉钙化比的方法的步骤。 根据本公开的一方面，本发明提供一种计算机可读存储介质，其特征在于，所述计 算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如上任一 项所述的基于卷积神经网络端对端推理计算冠状动脉钙化比的方法的步骤。 5 CN 111598870 A 说　明　书 3/6 页 上述技术方案仅为本发明实施例的一些部分，本领域技术人员从以下本发明的详 细描述中可以导出和理解包含了本发明的技术特征的各种实施例。 本领域技术人员将会理解，通过本发明可以实现的效果不限于上文已经具体描述 的内容，并且从以下详细说明中将更清楚地理解本发明的其他优点。 附图说明 为了更清楚地说明本发明