申请/专利权人：山东省人工智能研究院;齐鲁工业大学(山东省科学院);青岛海信医疗设备股份有限公司

申请日：2023-05-22

公开（公告）日：2024-02-23

公开（公告）号：CN116612087B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/25;G06V10/44;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.02.23#授权;2023.09.05#实质审查的生效;2023.08.18#公开

摘要：一种基于YOLOv5‑LA的冠脉CTA狭窄检测方法，通过设计更轻量的LA网络来替代YOLOv5的主干特征提取网络。该方法分为两个阶段。第一阶段，通过分离可卷积和残差连接以降低计算复杂度，同时增强模型的感受野。第二阶段，引入轻量级注意力机制ECA，以建模通道之间的关系。然后，通过1×1的卷积进行通道重排，以增加特征之间的交互性，提高网络的表达能力，并减少模型对某些特定通道的依赖，从而防止过拟合。该改进方法可避免由于冠脉CTA图像分辨率较高和YOLOv5参数量较大而导致的低效率问题，在检测医学图像病变部位时更为准确和高效。

主权项：1.一种基于YOLOv5-LA的冠脉CTA狭窄检测方法，其特征在于，包括如下步骤：a将冠状动脉CTA图片灰度化处理后进行缩放处理，得到图片D，D∈RC×H×W，R为实数空间，C为图片的通道数，H为图片的高度，W为图片的宽度；b将图片D依次输入到卷积层、BN层中，输出得到特征图D1；c建立轻量级的LA网络，将特征图D1输入到轻量级的LA网络中，输出得到张量D1_LA1；d将张量D1_LA1输入到卷积层中，输出得到特征图D2，将特征图D2替代步骤c中的特征图D1后重复执行步骤c，得到张量D1_LA2；e将张量D1_LA2输入到卷积层中，输出得到特征图D3，将特征图D3替代步骤c中的特征图D1后重复执行步骤c，得到张量D1_LA3；f将张量D1_LA3入到卷积层中，输出得到特征图D4；g将特征图D4输入到YOLOv5网络中的SPP模块中，得到特征图D4_SPP；h将特征图D4_SPP替代步骤c中的特征图D1后重复执行步骤c，得到张量D4_LA1，将张量D4_LA1输入到卷积层中，输出得到特征图D5；i将特征图D5输入到上采样层中，输出得到特征图D5′，将特征图D5′与张量D1_LA3通过concat函数进行融合操作，得到融合的特征图D1_Concat1；j将特征图D1_Concat1替代步骤c中的特征图D1后重复执行步骤c，得到张量D1_LA5，得到张量D1_LA5输入到卷积层中，输出得到特征图D6；k将特征图D6输入到上采样层中，输出得到特征图D6′，将特征图D6′与张量D1_LA2通过concat函数进行融合操作，得到融合的特征图D1_Concat2；l将特征图D1_Concat2替代步骤c中的特征图D1后重复执行步骤c，得到张量D1_LA6，将张量D1_LA6输入到Yolov5网络的头部网络Head中，输出得到预测结果Head1；m将张量D1_LA6输入到卷积层中，输出得到特征图D1_LA6′，将特征图D1_LA6′与特征图D6通过concat函数进行融合操作，得到融合的特征图D1_Concat3，将融合的特征图D1_Concat3替代步骤c中的特征图D1后重复执行步骤c，得到张量D1_LA7，将将张量D1_LA7输入到Yolov5网络的头部网络Head中，输出得到预测结果Head2；n将张量D1_LA7输入到卷积层中，输出得到特征图D1_LA7′，将特征图D1_LA7′与特征图D5通过concat函数进行融合操作，得到融合的特征图D1_Concat4，将融合的特征图D1_Concat4替代步骤c中的特征图D1后重复执行步骤c，得到张量D1_LA8，将将张量D1_LA8输入到Yolov5网络的头部网络Head中，输出得到预测结果Head3；o将预测结果Head1、预测结果Head2、预测结果Head3通过concat函数进行融合操作后输入到全连接层中，输出得到预测结果Result，预测结果Result为0-1之间分布，当预测结果Result大于等于0.5时定义为冠脉狭窄；步骤c包括如下步骤：c-1轻量级的LA网络由第一卷积层、W-Mish函数、第一深度可分离卷积层、第二深度可分离卷积层、第二卷积层、ECA模块、第三卷积层构成；c-2将特征图D1输入到轻量级的LA网络的第一卷积层中，输出得到特征图D1′；c-3将特征图D1′通过W-Mish函数利用公式D1_1＝D1′*tanhln1+eD1′计算得到特征图D1_1，式中e为自然常数；c-4将特征图D1_1输入到轻量级的LA网络的第一深度可分离卷积层中，输出得到H×W个大小为1×1的矩阵D1_1_slice1；c-5将各个矩阵D1_1_slice1输入到轻量级的LA网络的第二深度可分离卷积层中，输出得到H×W个大小为1×1的矩阵D1_1_slicel2；c-6将各个矩阵D1_1_slicel2输入到轻量级的LA网络的第二卷积层中，输出得到特征图D1_2；c-7将特征图D1进行残差连接操作后得到特征图D1_residual，将特征图D1_residual与特征图D1_2进行相加操作，得到特征图D1_out1；c-8轻量级的LA网络的ECA模块由全局平均池化层、全连接层、Sigmoid函数层、一维卷积层构成，将特征图D1_out1输入到ECA模块的全局平均池化层中，输出得到特征图D1_out1_gap，将特征图D1_out1_gap依次输入到全连接层、Sigmoid函数层中，输出得到注意力向量Q，将注意力向量Q与特征图D1_out1相乘操作，得到新特征图D1_out1_1，将新特征图D1_out1_1输入到ECA模块的一维卷积层中，输出得到新特征图D1_out2；c-9将新特征图D1_out2输入到轻量级的LA网络的第三卷积层中进行分组卷积，对通道分组，得到通道X和通道Y；c-10将通道X和通道Y分别进行shuffle操作，得到打乱特征通道顺序的通道X和打乱特征通道顺序的通道Y；c-11将打乱特征通道顺序的通道X和打乱特征通道顺序的通道Y沿着通道方向交错连接起来，得到张量D1_LA1。

全文数据：

权利要求：

百度查询： 山东省人工智能研究院;齐鲁工业大学(山东省科学院);青岛海信医疗设备股份有限公司 一种基于YOLOv5-LA的冠脉CTA狭窄检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD