[发明专利]基于目标检测算法的冠状动脉血管内超声斑块分析方法

权利要求书

1.一种基于目标检测算法的冠状动脉血管内超声斑块分析方法，其特征在于，所述基于目标检测算法的冠状动脉血管内超声斑块分析方法包括：

步骤一，数据采集：通过血管内超声仪获取血管内超声动态视频图，利用opencv对视频每10帧进行一次采样；

步骤二，血管检测：对采集的每帧图像进行血管检测，将检测到的血管缩放到相同比例；

步骤三，数据标注：利用人工对数据进行标注，将血管检测当中检测到的血管按所含有的不同斑块类型利用labelImg进行标注；

步骤四，数据预处理：将标注完的数据进行格式转换，转换为tensorflow能识别的tfrecord格式；

步骤五，网络训练：将数据输入到神经网络当中，采用有监督的迁移学习方式进行目标检测算法训练，利用adam优化算法来进行网络参数的学习。

2.如权利要求1所述基于目标检测算法的冠状动脉血管内超声斑块分析方法，其特征在于，步骤五中，所述将数据输入到神经网络当中，采用有监督的迁移学习方式进行目标检测算法训练包括：

(1)采用MobileNetV2网络对输入图片进行特征提取；

(2)采用特征金字塔结构进行检测即检测时利用了conv4-3，conv-7(FC7)，conv6-2，conv7-2，conv8_2，conv9_2这些大小不同的feature maps，在多个feature maps上生成priorbox进行分类和位置回归。

3.如权利要求2所述基于目标检测算法的冠状动脉血管内超声斑块分析方法，其特征在于，步骤(2)中，所述检测主要网络参数包括：

(1)分类及回归参数

通过softmax预测斑块分类，总共n+1类，其中n为斑块类别，1为背景，对斑块区域进行位置回归，即预测(x,y,w,h)，其中x，y分别为斑块区域的左上角坐标，w，h为该斑块的长和宽；

(2)损失函数的构建

其中

损失分为了分类损失和回归损失两部分，其中N是匹配到标注框的候选框的数量；而α参数用于调整分类损失和回归损失之间的比例，默认α＝1；SSD目标检测算法中的分类损失是典型的softmax交叉熵损失：而回归损失是典型的smooth L1损失；

(3)候选框的生成规则

以特征图上每个点的中点为中心，生成一些列同心的候选框，然后中心点的坐标会乘以step，相当于从特征图位置映射回原图位置，每个特征图对应候选框的尺寸由以下公式决定；

第一层特征图对应的min_size＝S1，max_size＝S2；第二层min_size＝S2，max_size＝S3；其他类推。

4.如权利要求2所述基于目标检测算法的冠状动脉血管内超声斑块分析方法，其特征在于，所述目标检测方法进行检测时，由于血管内造影的斑块目标较小，通过限制priorbox范围可以达到针对斑块良好的检测效果。