一种基于搜索空间剪枝策略的心脏器官异常快速检测方法

本发明涉及智能医疗，尤其涉及一种基于搜索空间剪枝策略的心脏器官异常快速检测方法。

背景技术：

1、近年来，随着智能医疗的广泛应用，基于ct影像等相关医疗数据所构建的人工智能算法模型已经在各种疾病早筛上取得了不错的成果(杨舜翔.基于多模态医学影像的疾病早筛方法研究[d].山东大学,2021.)。心脏是人体中最重要的器官之一，为了提高对于心脏相关疾病的诊断精度和预测效率，已有许多工程技术人员对相关的人工智能方法进行了大量的研究。

2、在处理心脏图像数据前，需有必要先提取关键区域进行处理。目前，已存在许多与心脏图像识别及分割相关的人工智能方法的应用研究，例如，乔艳采用卷积神经网络，对于心脏mr图像左心室进行区域分割，并且实现了自动分割(乔艳.基于全卷积网络的心脏mri图像左室心肌分割关键技术研究[d].南京邮电大学,2022.)。付殿臣基于生成对抗网络实现跨模态医学图像域自适应，融合传统的unet模型，在心脏图像分割任务上取得了不错的效果(付殿臣.跨模态心脏医学图像域自适应分割算法研究[d].长春工业大学,2021.)。近年来，神经网络在许多复杂任务上取得了非常不错的效果，然而其所消耗的算力与运算时间也非常惊人。

3、综上所述，针对心脏器官异常快速检测这一研究问题，有必要进一步提升其检测效率与早筛精度。心脏器官异常快速检测可在心脏器官异常诊断过程中起到早筛作用，有助于辅助诊疗结果判定、帮助缩短诊断周期，具有重要的现实意义。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种基于搜索空间剪枝策略的心脏器官异常快速检测方法，以解决心脏器官异常检测效率低的问题。

2、基于上述目的，本发明提供了一种基于搜索空间剪枝策略的心脏器官异常快速检测方法，包括以下步骤：

3、s1、获取待检测患者心脏ct图像；

4、s2、为待检测患者心脏ct图像执行边缘识别，提取仅包括待检测患者心脏在内的感兴趣区域图像，得到待检测患者心脏原始图像；

5、s3、对待检测患者心脏原始图像进行校正操作，得到待检测患者心脏校正图像；

6、s4、在搜索空间中执行剪枝策略，将数据库中所有患者的心脏校正图像按其对应的心脏相关疾病类型进行分类，得到多个心脏图像类；

7、s5、对于每个心脏图像类，计算得到该类的均值心脏图像，将待检测患者的心脏校正图像与每个类的均值心脏图像进行比对，计算得到类差异度；

8、s6、提取差异度最小的n个心脏图像类，使用该n个心脏图像类的数据构建卷积神经网络；

9、s7、将待检测患者心脏校正图像输入卷积神经网络，计算待检测患者属于各心脏图像类的概率值。

10、优选地，步骤s2中，执行边缘识别，提取感兴趣图像包括以下子步骤：

11、s21、构建标准faster r-cnn神经网络算法模型，并将其用于对输入的患者心脏ct图像执行目标识别操作，提取仅包括患者心脏在内的感兴趣区域图像；

12、s22、对于得到的形状为矩形的感兴趣区域图像，使用sobel边缘检测算法进行进一步识别，从而在矩形感兴趣区域图像的基础上进一步得到为不规则形状的心脏边缘；

13、s23、依据得到的心脏边缘进行图像裁切，得到患者心脏原始图像。

14、优选地，步骤s3中，对原始图像进行校正操作包括：

15、s31、将患者心脏原始图像扩展为正圆形图像；

16、s32、获取示例图像，调用pso粒子群优化算法，以扩展为正圆形的患者心脏原始图形与示例心脏图像的差异最小化为目标执行旋转操作；

17、s33、调整图像的亮度，以使得图像中所有像素点的均值为允许的最小值和最大值的均值。

18、优选地，步骤s31具体包括以下子步骤：

19、将患者心脏原始图像转换为一个单通道的灰度图像；

20、将得到的灰度图像扩展为一个2000dpi*2000dpi的正圆形图像，将能包含图像的最小矩形称为外矩，称外矩的两条对角线的交点为图像的中心，扩展时，图像的中心保持不变，其他像素点在任意一天直径的方向上均匀地缩放，以实现扩展操作；

21、采用png格式保存图像，每个像素点采用8bits数据存储，在正圆形图像外的、外矩内的像素点均以100％透明形式保存。

22、优选地，步骤s32中，根据以下步骤确定扩展为正圆形的患者心脏原始图形的旋转角度：

23、获取十张标准的2000dpi*2000dpi的正圆形心脏示例图像；

24、构建基于pso粒子群优化算法的优化模型，其中，所需优化的目标函数为：

25、

26、其中，g为待优化的目标函数，l为心脏图像数据库中的样本数量，i为当前对比的样本编号，其值取1、2、3、4、5、6、7、8、9或10，std(·)为标准差计算函数，r代表旋转的角度，seti(r)为当前患者的扩展为正圆形的患者心脏原始图形在旋转r度的情况下，其中的每个像素点与示例心脏图像数据库中的第i个样本的对应像素点的灰度值的差值的绝对值所构成的集合，n表示2000dpi*2000dpi的正圆形心脏图像中的像素点的数量，j表示在2000dpi*2000dpi的正圆形心脏图像中按从左到右、从上到下的顺序计算且从1开始编号时，当前处理的像素点的编号，p(j,r)表示当前患者的扩展为正圆形的患者心脏原始图形在旋转r度的情况下的第j个像素点的灰度值。si(j)表示示例心脏图像数据库中的第i个样本的第j个像素点的灰度值；

27、将pso算法的参数设置为：惯性权重w＝0.4，按以下参数初始化pso算法：种群规模n＝100，最大评价次数maxfe＝1000，以目标函数g的最小化为优化方向，运行pso算法，初始状态下，评价次数fe＝0；

28、每申请计算一次目标函数g的值时，评价次数fe加一，当fe大于等于maxfe时，pso算法结束运行；

29、从pso算法中提取所得到的最优个体，并对最优个体解码得到最佳的旋转角度r，其中，r＝0时代表无需旋转，为正值代表需顺时针旋转，为负值代表需逆时针旋转。

30、优选地，步骤s5包括以下子步骤：

31、s51、对每个心脏图像类，计算得到该类的均值心脏图像，计算时，对均值心脏图像中的每个像素点，取该心脏图像类中所有患者心脏ct图像的对应位置像素点的均值；

32、s52、将待检测患者的患者心脏校正图像与每个类的均值心脏图像进行比对，按以下公式计算得到类差异度：

33、

34、其中，k为类的编号，cdk表示待检测患者的患者心脏校正图像与第k个类的均值心脏图像的类差异度，std(·)为标准差计算函数，rbest为执行旋转操作的最优旋转角度，setk(rbest)为当前患者的扩展为正圆形的患者心脏原始图形在旋转rbest度的情况下，对于得到的患者心脏校正图像中的每个像素点，与第k个类的均值心脏图像的灰度值的差值的绝对值所构成的集合，n表示2000dpi*2000dpi的正圆形心脏图像中的像素点的数量，q表示在2000dpi*2000dpi的正圆形心脏图像中按从左到右、从上到下的顺序计算且从1开始编号时，当前处理的像素点的编号，p(q,rbest)表示当前患者的扩展为正圆形的患者心脏原始图形在旋转rbest度的情况下，对于得到的患者心脏校正图像中的每个像素点，提取其中第q个像素点的灰度值的结果，avek(q)表示第k个类的均值心脏图像的第q个像素点的灰度值。

35、优选地，步骤s4中，将数据库中所有患者的心脏校正图像按其对应的心脏相关疾病类型进行分类前，还包括以下子步骤：

36、s41、检查数据库中的所有患者心脏ct图像，将其中存在未经边缘识别与校正操作的图像在数据库中对应的行号的集合置为sc；

37、s42、检查集合sc是否满足：

38、length(sc)＝0

39、若满足，结束图像处理，否则转到步骤s43，其中，length(·)为元素数量计算函数，即对输入的集合计算其元素数量，当输入空集时，其值为0；

40、s43、取出集合sc中的第一个元素，将其值作为行号输入并调用步骤s2和s3中的边缘识别和校正操作，得到患者心脏校正图像，并删去集合sc中的第一个元素。

41、优选地，步骤s7后，所述方法还包括：

42、对当前患者的数据执行归档操作。

43、优选地，步骤s1前，所述方法还包括：

44、s0、加载构建心脏器官异常快速检测模型所需的患者信息数据库和患者心脏ct图像数据库，患者心脏ct图像数据库中的数据条目包括患者id与患者心脏ct图像指针，所述指针用于索引患者心脏ct图像的存储位置；

45、步骤s1具体包括以下子步骤：

46、s11、在患者心脏ct图像数据库的第一行上方插入一个空行，将待检测患者的患者id与患者心脏ct图像指针存入其中，调用所构建的心脏器官异常快速检测模型，输入检测行号1，并执行检测命令，获取该患者的患者心脏ct图像文件。

47、优选地，患者信息数据库中的数据条目包括患者id、患者性别、患者年龄、心脏相关疾病类型、病史、录入日期，每位患者的信息存储为一行数据，对于经诊断确认为健康状态、或所患病症与心脏器官无关的患者，其心脏相关疾病类型这一数据条目存储“正常”字样，否则，存储其所患与心脏相关的疾病的名称及其医学判定等级。

48、本发明的有益效果：本发明提供一种基于搜索空间剪枝策略的心脏器官异常快速检测方法，通过在心脏ct图像上获取感兴趣区域，并通过边缘识别在感兴趣区域内裁剪得到心脏图像，从而有效减少图像的分割面积，在保持分割精确度的情况下提升分割操作的时间性能，通过在搜索空间中执行剪枝策略，仅将与待检测患者的患者心脏校正图像的类差异度最低的n个心脏图像类的数据用于构建卷积神经网络模型，以加快模型训练速度。本发明可在心脏器官异常诊断过程中起到早筛作用，有助于辅助诊疗结果判定、帮助缩短诊断周期。