(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 202211170732.6 (22)申请日 2022.09.23 (66)本国优先权数据 202111433904.X 2021.1 1.29 CN (71)申请人 吉林大学 地址 130000 吉林省长 春市朝阳区建 设街 2199号吉林大 学地球科 学学院 (72)发明人 丰小月　宋春莉　凌浩　 (74)专利代理 机构 绍兴市寅越专利代理事务所 (普通合伙) 33285 专利代理师 潘敏 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06N 3/04(2006.01)G16H 30/20(2018.01) G16H 50/20(2018.01) (54)发明名称 一种使用计算机对冠状动脉狭窄诊断定位 方法 (57)摘要 本发明涉及一种使用计算机对冠状动脉狭 窄诊断定位方法， 通过计算对第一多维冠状动脉 矩阵深度信息图像进行处理， 将第一多维冠状动 脉矩阵深度信息图像中的第一狭窄区域血管部 分Kt通过第一计算单元计算处理得到第一图像 A， 并对所述第一图像A进行第一图像实例分割 Go， 用于得到分割后第二冠状动脉 血管图像。 权利要求书2页 说明书4页 CN 115409828 A 2022.11.29 CN 115409828 A 1.一种使用计算机对冠状动脉狭窄诊断定位方法， 其特征在于， 包括有： 步骤一、 首先 通过第一计算单元对第一多维冠状动脉矩阵深度信息图像进 行处理， 将第一多维冠状动脉 矩阵深度信息图像中的第一狭窄区域血管部分Kt通过第一计算单元计算处理得到第一图 像A， 并对所述第一图像A进行第一图像实例分割Go， 用于得到分割后第二冠状动脉血管图 像， 并且用第一掩膜分支Qi将图像实例中的冠状动脉中的第一狭 窄区域血管部 分Kt的轮廓 标识出来， 从而建立第一图像实例分割Go的模型St； 第一图像实例分割Go的模型St在通过 基于掩膜的区域卷积神经网络的掩膜分支的完成图像实例分割任务后,开始进行目标检测 任务， 并标定第一狭窄区域血管部分Kt,并对标定出的存在第一狭窄区域血管部分Kt的区 域， 需要先进行提取,提取后设定为第一 感兴趣区域T， 然后对第一感兴趣区域T做具体的检 测； 基于掩膜的区域卷积神经网络将第一图像实例分割Go的模型St用于第一多维冠状动脉 矩阵深度信息图像中的狭窄区域， 并运用第一计算单元进行处理， 生成符合计算机处理需 要的第一特征图PIC； 并且通过第一多维冠状动脉矩阵深度信息图像中的第一对齐模块处 理感兴趣区域， 将第一特征图PIC和呈现给用户的狭窄候选区域进 行对应； 分步骤1： 基于掩 膜的区域卷积神经网络开始 通过第一骨干网络提取特征， 第一骨干网络使用残差网络进 行 特征提取， 残差网络用于图像分类和物体识别， 并开始优化， 然后再增加深度来提高准确 率， 残差网络内部的残差块使用跳跃连接， 缓解在基于掩膜的区域卷积神经网络中增加深 度带来的梯度消失问题； 分步骤2： 然后用头部网络进行分类， 以及用第一掩膜分支Qi开始 进行掩膜提取； 分步骤3： 完成分步骤1中特征提取之后， 特征图会进入候选区生成网络， 通 过锚框的生成方法进 行狭窄候选区域的提取， 锚框的生成方法生成共计九种大小不同的锚 框， 所有的狭窄候选区域在第一候选区生成网络内会先进行一次位置回归， 位置回归将用 标注的数据上的定位框的位置训练模型， 使得通过锚框选出来的狭窄候选区域接近标定的 定位框的位置， 接近标定的定位框的位置的结果定义为一个位置的矫正， 作为一次的位置 回归； 分步骤4： 然后为使在最后分类和位置回归时保持向量大小一致， 将生成的狭窄候选 区域送入第一感兴趣区域对齐网络做 候选区的大小固定； 分步骤5： 基于掩膜的区域卷积神 经网络需要在最 终结果中完成分割， 开始进 行分类任务， 分类任务的级别为像素级别； 分步 骤6： 原有的感兴趣区域池化层是对不同尺寸的特征图进行下采样， 设定原始的特征图的大 小是h*w， 在 进行下采样之后的大小 取决于下采样的步长， 降采样之后大小为h/s和w/s分别 向下取整， 在 采样之后再进行一次大小的缩放， 统一缩放到k*k大小的特征图， h、 w、 k代表像 素， 用于表 示特征图的大小， s为时间表示； 在经过两层取整操作之后， 如原有的像素会产生 偏移， 会导致第一图像实例分割Go在进行分割的时候产生误差， 基于掩膜的区域卷积神经 网络将感兴趣区域池化层修改为采用双线性插值方法的感兴趣区域对齐层， 双线性插值方 法的感兴趣区域对齐层采用双线性插值的方法， 通过虚线部分表征原始特征图大小， 实线 部分为双线性插值后候选区的大小， 并用箭头指示表明将原始特征图上的像素点经过水平 和竖直两个方向的插值后生成插值后某一个位置的特征值的大小； 双线性插值方法的感兴 趣区域对齐层能处理原先感兴趣区域池化层取整后产生的像素位置偏差的问题， 得到第一 图像实例分割Go的精确分割结果； 在完成候选区域生 成之后， 第一图像实例分割Go的模 型S 将通过类别分类确定目标的种类， 通过候选框回归确定目标位置； 分步骤7、 增加第一掩膜 分支Qi用来进行目标分割； 分类和回归任务与本发明的更快的区域卷积神经网络相同， 第 一掩膜分支 Qi的任务是对于每一个感兴趣区域使用分步骤5中的基于掩膜的区域卷积神经权　利　要　求　书 1/2 页 2 CN 115409828 A 2网络进行像素级别的分类， 并广泛运用在语义分割领域； 步骤二、 每一个感兴趣候选区产生 Ki个掩膜 二值图像， Ki为自然数， 是数据集中类别的个数； 分步骤8、 第一图像实例分割Go的 模型St的最后将目标检测和 语义分割的结果结合， 产生实例分割结果； 分步骤9、 设定基于 掩膜的区域卷积神经网络的损失函数包 含三个部分： 分类损失， 回归损失和掩膜损失。权　利　要　求　书 2/2 页 3 CN 115409828 A 3