(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 202211304991.3 (22)申请日 2022.10.24 (71)申请人 复旦大学附属中山医院 地址 200032 上海市徐汇区医学院路13 6号 (72)发明人 潘天岳　董智慧　符伟国　刘浩　 蒋小浪　刘轶凡　邹凌威　石贇　 李萌　 (74)专利代理 机构 上海申汇 专利代理有限公司 31001 专利代理师 翁若莹　张业民 (51)Int.Cl. G06T 7/10(2017.01) G06T 5/50(2006.01) G06T 3/40(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于人工智能的下肢动脉血流管壁复合体 自动分割方法 (57)摘要 本发明涉及一种基于人工智能的下肢动脉 血流管壁复合体自动分割方法， 属于生物医药技 术领域。 包括对原始下肢CTA输出文件进行体素 插值计算处理， 再进行矩阵裁剪运算， 得到用于 训练的本底图像文件； 进行人工标注得到标签文 件； 构建深度学习模型， 获得人工智能预测模型， 将任意CTA 本底图像输入模型预测每一个体素的 所属类别； 将获取的CTA本底图像文件中的仿射 坐标系信息， 与预测图数组进行融合， 获得具有 空间度量单位的语义分割图像， 叠加至CTA本底 图像上， 获得最终的自动化分割结果。 通过本发 明可以去除明显的误分割区域， 提升图像分割效 果； 对下肢血管进行更精准地分割， 提高下肢动 脉开放手术和介入 治疗的效率和精度。 权利要求书2页 说明书6页 附图1页 CN 115511893 A 2022.12.23 CN 115511893 A 1.一种基于人工智能的下肢动脉血流管壁复合体自动分割方法， 其特征在于， 包括以 下步骤： 步骤1： 获取原 始下肢CTA输出文件进行体素插值计算处 理， 以增加其空间分辨 率； 步骤2： 对步骤1中插值计算后的文件进行矩阵裁剪运算， 得到用于训练的本底图像文 件； 步骤3： 制作标签文件； 基于步骤2处 理后的图像进行 人工标注得到标签文件； 步骤4： 将步骤2的本底图像文件和步骤3的标签文件一一对应， 获取相应的3维数组， 划 分为训练集和 测试集； 步骤5： 构建深度学习模型， 采用3D ‑Unet作为模型架构； 步骤6： 训练网络以获得优化 参数； 步骤7： 将步骤6获得的优化参数加载至设计的3D ‑Unet架构中， 获得人工智能预测模 型， 将任意CTA本底图像输入模型后输出多通道特征图数组， 转换成单一预测图数组， 即预 测每一个 体素的所属类别； 步骤8： 获取CTA本底图像文件中的仿射坐标系信息， 与 步骤7得出的预测图数组进行融 合， 获得具有空间度量单位的语义分割图像； 步骤9： 将步骤8的语义分割图像叠加至CTA本底图像上， 即可获得最终的自动化分割结 果。 2.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方 法， 其特征在于， 所述步骤3中标签文件的标签名称包括标签1： 对比剂； 标签2： 钙化灶； 标签 3： 管腔内低密度物质； 标签4： 血 管内植入物； 标签5： 骨骼。 3.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方 法， 其特征在于， 所述 步骤5中构建深度学习模型， 包括以下步骤： 步骤5.1： 构 建双卷积层函数， 定义输入通道数、 输出通道数和3D卷积核大小， 对三维数 组进行连续两次卷积运 算操作， 增 加通道数， 并依次进行归一 化和激活函数操作； 步骤5.2： 构建下采样函数， 采用最大池化法对特征图进行降维， 定义输入通道和输出 通道数； 步骤5.3： 构建上采样函数， 采用转置卷积法放大特征图的维度， 定义输入通道和输出 通道数； 步骤5.4： 构建特 征图拼接函数， 将相同大小的特 征图在通道维度上进行拼接； 步骤5.5： 构建输出函数， 将特 征图进行 卷积操作后输出 预测概率图； 步骤5.6： 将步骤5.1至5.5组合成3D ‑Unet模型架构， 其中步骤5.1和步骤5.2组成编码 器模块， 步骤5.3为 解码器模块。 4.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方 法， 其特征在于， 所述 步骤6中训练网络以获得优化 参数， 包括以下步骤： 步骤6.1： 定义3D ‑Unet网络的损失函数， 优选Dice  loss或Focal  loss； 步骤6.2： 定义优化器和学习率， 优选Adam优化器； 步骤6.3： 将所述步骤4中训练集本底图像三维数组输入3D ‑Unet网络， 输出多通道特征 图数组； 步骤6.4： 将所述步骤4中训练集标签文件三维数组使用one ‑hot编码转换为多通道数权　利　要　求　书 1/2 页 2 CN 115511893 A 2组； 步骤6.5： 将步骤6.3中的输出多通道特征图数组和步骤6.4的标签多通道数组进行损 失计算， 依据步骤6.1 公式， 得出损失值； 步骤6.6： 利用反向转播算法基于步骤6.2的优化器进行卷积核参数的更新， 从而完成 一轮训练； 步骤6.7： 使用卷积核参数和3D ‑Unet网络架构得到测试集的损失值； 反复执行步骤6.3 至步骤6.7， 进行反复多轮训练， 测试集的损失值下降至最低点时， 获得优化的卷积核参数。 5.根据权利要求1所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割方 法， 其特征在于， 所述步骤7中转换成单一预测图数组预测每一个体素的所属类别是根据 one‑hot编码。 6.根据权利要求1至5所述的一种基于人工智能的下肢动脉血流管壁复合体自动分割 方法构建的系统， 其特 征在于， 所述系统包括执 行权利要求1至 5所述方法的程序。 7.一种存储装置， 其特征在于， 所述存储介质存储有多条指令， 所述指令执行权利要求 1至5中任一项所述的一种基于人工智能的下肢动脉血流管壁复合体 自动分割 方法中的步 骤。权　利　要　求　书 2/2 页 3 CN 115511893 A 3