[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

说明书

本发明属于临床辅助快速诊断应用技术领域，公开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，首先对数据进行采集，其次对数据进行血管检测及人工标记，最后将预处理完的数据输入神经网络进行目标检测算法的训练。本发明相比于原始目标检测方法进行分析，通过采用轻量级特征提取网络以及限制候选框生成范围进行网络训练提高了检测的速率以及准确性，在实际诊疗中减少了医生的工作量。本发明基于目标检测算法判断血管内的斑块类型，在保证精确度的同时保证其实时性；可有效减轻医生压力，提高诊疗速度。

技术领域

本发明属于临床辅助快速诊断应用技术领域，尤其涉及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。

背景技术

目前，业内常用的现有技术是这样的：血管内超声是近年来兴起的一种血管内的断层成像技术，在冠心病介入诊疗中起到了重要的辅助作用，也越来越受到介入医生的青睐。冠心病是一种的发病率逐年增高的严重心血管疾病，患者随时可能发生心绞痛、心肌梗死甚至是猝死。介入诊疗在挽救患者生命中发挥着至关重要的作用，而血管内超声是介入诊疗中一项重要的工具，为斑块识别和优化手术方案中提供了重要线索。

临床上各种血管内超声影像的分析主要依赖于人工识别，而某类型的冠心病风险高，病情急，对医生的快速准确诊疗能力提出了极大的挑战。加之目前国内普遍存在医生过度疲劳，精神过度紧绷的现状。

综上所述，现有技术存在的问题是：现有测量方法耗时、且存在人为误差等问题，某类型的冠心病风险高，病情急，对医生的快速准确诊疗能力提出了极大的挑战。具体来说，目前人群医生配比严重不足，特别是介入医生。手术经常从早晨一直持续到深夜，甚至半夜还有急诊需求，这需要医生极高的脑力及体力。然而，工作量的加大可能导致出错，甚至是发生医疗事故。此外，单支血管的IVUS图像检测就可能产生上千张的图像，医生不仅要快速而且准确的分析图像，可能还需要手动对图像进行测量以确保手术的精度，而这无疑又需要耗费不少精力。因此，基于深度学习的图像分析，有助于辅助医生快速测量与诊断图像。

解决上述技术问题的难度：

拥有数据的医生不了解深度学习方法，了解深度学习方法的工程师无法获取有效的标注数据。

解决上述技术问题的意义：目标检测算法辅助分析诊断斑块特征的方法将在减轻医生压力，在提高诊疗速度中发挥一定作用。

发明内容

针对现有技术存在的问题，本发明提供了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，

本发明是这样实现的，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，生成4维矩阵的xml文件；

步骤四：数据预处理：将标注完的数据进行格式转换，将xml文件转化为表格形式的csv文件，最后与图片相结合转换为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。

进一步，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；