换一批摘要冠心病是当前世界范围内最容易造成过早死亡的疾病之一，中国的冠心病患病人数已经超过了1139万人。临床上，借助有创性冠脉造影成像进行的经皮冠状动脉介入手术是治疗冠心病的重要手段，但造影剂大量注入的危险性以及术中介入器械尺寸选取的主观性难以解决。借助基于深度学习的计算机视觉技术完成术中介入器械尺寸预测，将有助于改善手术治疗效果。故本文将基于深度学习回归模型尝试解决术中冠脉介入器械尺寸预测这一问题，主要工作如下：<br> 首先，构建冠脉造影图像数据集并完成数据处理与标注，对图像特征进行分析。并在此基础上提出基于大核卷积的神经网络模型进行术中介入器械尺寸的直接预测，借助单层网络感受野的提升实现指标预测精度的提升。<br> 其次，针对大核卷积模型在网络训练过程中存在的模型瓶颈，提出基于自注意力的神经网络模型，适配冠状动脉血管树状结构，克服因建模不充分造成模型对微小血管产生的错误关注。<br> 再次，针对自注意力模型因缺乏归纳偏置而产生的数据依赖性，提出显式的高阶空间信息卷积作为特征提取器进行网络模型设计，凭借模型充分的空间信息交互能力，实现介入器械指标精准预测。<br> 最后，依据心血管医学图像问题的研究现状以及数据集的规模限制和有偏性质，提出应用迁移学习方法实现术中介入器械尺寸的预测。将冠脉狭窄目标检测视为预训练任务，介入器械指标预测视为下游任务，采用不同数据集的数据特征提升网络模型预测精度。实验结果表明，该模型取得了最高的多指标预测精度，证明迁移学习方法能够在术中介入器械尺寸预测问题上有效提升模型的指标预测精确，改善模型性能。
更多相关知识
- 浏览1
- 被引1
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
