(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211147064.5 (22)申请日 2022.09.20 (71)申请人 同心智医科技 （北京） 有限公司 地址 100089 北京市海淀区王庄路1号院清 华同方科技大厦D座23层2301-1、 2301-2号 (72)发明人 刘伟奇　马学升　陈金钢　徐鹏　 赵友源　陈磊　龚哲晰　 (74)专利代理 机构 北京知果之信知识产权代理 有限公司 1 1541 专利代理师 苏利 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/62(2017.01) G06V 10/26(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的腹主动脉瘤识别方法及装 置、 存储介质、 电子装置 (57)摘要 本申请公开了一种基于深度学习的腹主动 脉瘤识别方法及装置、 存储介质、 电子装置， 其中 所述方法包括获取CT或者CTA图像， 裁剪提取得 到图像补丁， 所述CT或者CTA图像中包括腹主动 脉瘤数据； 输入 所述图像补丁到预设图像分类模 型， 得到所述图像补丁中腹主动脉区域的分类结 果， 所述预设图像 分类模型为使用多组数据通过 卷积神经网络训练得出的， 多组数据中的每组数 据均包括： 腹主动脉瘤数据以及所述腹主动脉瘤 数据对应的病灶区域标签； 以及对 所述腹主动脉 区域的分类结果进行分割处理， 得到腹主动脉直 径测量值以作为腹主动脉瘤识别结果。 通过本申 请实现了自动化、 准确识别腹主动脉瘤， 提高了 诊断效率。 权利要求书2页 说明书13页 附图2页 CN 115496719 A 2022.12.20 CN 115496719 A 1.一种基于深度学习的腹主动脉瘤识别方法， 其特 征在于， 所述方法包括： 获取CT或者CTA图像， 裁剪提取得到图像补丁， 所述CT或者CTA图像中包括腹主动脉瘤 数据； 输入所述图像补丁到预设图像分类模型， 得到所述图像补丁中腹主动脉区域的分类结 果， 所述预设图像分类模型为使用多组数据通过卷积神经网络训练得出 的， 多组数据中的 每组数据均包括： 腹主动脉瘤数据以及所述腹主动脉瘤数据对应的病灶区域标签； 以及 对所述腹主动脉区域的分类结果进行分割处理， 得到腹主动脉直径测量值以作为腹主 动脉瘤识别结果。 2.根据权利要求1所述方法， 其特征在于， 所述预设图像分类模型包括： 卷积神经网络 结构， 所述卷积神经网络结构至少包括： 一个数据层作为输入， 三个卷积层用于特征提取， 五个RELU层作为激活函数层， 一个池 化层用于降低网络参数， 两个全连接层， 一个舍弃层， 一个精度层用于计算训练和验证数据 集精度， 以及一个损失层以计算训练阶段的数据丢失。 3.根据权利要求2所述方法， 其特征在于， 所述预设图像分类模型还包括： 3DResNet卷 积神经网络， 用于对所述图像补丁进行不同腹部区域 三维分类， 对于三维分类数据训练集， 将每次扫描结果分为无腹主动脉瘤级或者腹主动脉瘤级； 在每次扫描中， 都以主动脉的颅内左肾动脉开端的轴向位置为定位点， 之后在训练中 使用该定位 点自动提取 标准化大小的亚体积； 或者， 对于三维分类数据训练集， 使用分层的五倍交叉验证法。 4.根据权利要求2所述方法， 其特征在于， 所述输入所述图像补丁到预设图像分类模 型， 得到所述图像补丁中腹主动脉区域的分类结果， 包括： 采用五个指标来评估腹主动脉区域预测分类的质量， 其中， 所述预测分类包括： 真阳性 TP代表被正确识别为腹主动脉瘤的样本， 真阴性TN代表被正确分类的非腹主动脉瘤样本， 假阳性FP代表被错误分类为 非腹主动脉瘤的腹主动脉瘤样本， 假阴性FN代表被错误分类为 腹主动脉瘤的非腹主动脉瘤样本； 评估所述腹主动脉对网络决策相关区域与预先确定的主动脉位置之间的一致性， 其 中， 所述腹主动脉对网络 决策的影响评分包括： 1 ‑主动脉无相关性、 2 ‑主动脉低相关性、 3 ‑ 主动脉中相关性、 4 ‑主动脉高相关性、 5 ‑主动脉非常高相关性。 5.根据权利要求1所述方法， 其特征在于， 所述对所述腹主动脉区域的分类结果进行分 割处理， 得到腹主动脉直径测量 值以作为腹主动脉瘤识别结果， 包括： 基于OpenCV库的霍夫圆检测算法， 对所述腹主动脉区域的分类结果进行分割处 理， 测量分割处 理结果， 得到腹主动脉直径测量 值。 6.根据权利要求5所述方法， 其特征在于， 得到腹主动脉直径测量值以作为腹主动脉瘤 识别结果之后， 还 包括 如果测量得到的直径小于24像素， 输出以毫米为单位的准确直径以及第 一腹主动脉瘤 风险评估结果； 如果测量得到的直径大于24像素而小于40像素， 输出以毫米为单位的准确直径以及第 二腹主动脉瘤风险评估结果；权　利　要　求　书 1/2 页 2 CN 115496719 A 2如果测量得到的直径超过40像素， 输出以毫米为单位的准确直径以及第 三腹主动脉瘤 风险评估结果。 7.根据权利 要求1所述方法， 其特征在于， 获取CT或者CTA图像， 并裁剪提取得到图像补 丁， 所述CT或者CTA图像中包括腹主动脉瘤数据， 包括： 获取所述CT或者CTA图像的并调整为预设大小的图像； 通过预设大小的窗口对所述CT或者CTA图像进行扫描， 从图像中裁 剪得到图像补丁； 提取所述图像补丁之后， 将所述图像补丁划分至少包括如下之一的区域： 腹部内区、 主 动脉、 身体边界、 骨骼。 8.一种基于深度学习的腹主动脉瘤识别装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取CT或者CTA图像， 裁剪提取得到图像补丁， 所述CT或者CTA图像中包 括腹主动脉瘤数据； 分类模块， 用于输入所述图像补丁到预设图像分类模型， 得到所述图像补丁中腹主动 脉区域的分类结果， 所述预设图像分类模型为使用 多组数据通过卷积神经网络训练得出 的， 多组数据中的每组数据均包括： 腹主动脉瘤数据以及所述腹主动脉瘤数据对应的病灶 区域标签； 以及 分割测量模块， 用于对所述腹主动脉区域的分类结果进行分割处理， 得到腹主动脉直 径测量值以作为腹主动脉瘤识别结果。 9.一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中存储有计算机 程序， 其中， 所述计算机程序被设置为 运行时执 行所述权利要求1至7任一项所述的方法。 10.一种电子装置， 包括存储器和 处理器， 其特征在于， 所述存储器中存储有计算机程 序， 所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项所述的方 法。权　利　要　求　书 2/2 页 3 CN 115496719 A 3