[发明专利]一种弱监督的IVOCT图像异常区域检测方法

说明书

本发明提供一种弱监督的IVOCT图像异常区域检测方法，设计合理，使用方便，操作简单，实用性强，仅利用图像层次标注进行异常区域检测。首先，本发明通过按列均匀分割将一个检测任务转化为按列分类任务，从而将一个复杂任务转化为简单任务，减少了待处理区域的个数，使得处理速度大大加快。其次，在仅使用分类标签的情况下构建出了一个端到端的异常区域检测神经网络，并通过分类损失函数进行优化，降低了基于深度学习算法对区域级标注的依赖，减轻了专业医生的标注压力。最后，将检测模型预测出的每列的类别进行组合并进行中值滤波，可以得到最后的异常区域位置，克服了基于深度学习方法后处理复杂、速度慢等缺点，使用方便，操作简单，实用性强。

技术领域

本发明涉及医学图像处理领域，具体为一种弱监督的IVOCT图像异常区域检测方法。

背景技术

急性冠状动脉综合症是最严重的动脉粥样硬化疾病之一，每年因急性冠状综合症死亡的人数占心血管疾病死亡人数的绝大部分。因此，对急性冠脉综合症的筛查，可以预防急性冠脉综合症的发生。临床上，常采用血管内光学相干断层成像技术(IVOCT)对血管壁进行成像，来判断是否发生病变。然而每次利用IVOCT检测，每个病人会产生成千上万张IVOCT图像，这就需要一种快速而且准确的异常区域自动检测算法，过滤掉正常区域，对异常区域进行识别和标记，再由医生对做过提示处理后的图像进行诊断筛查。

现有的基于深度学习的异常区域检测算法需要专家标注一个大型的数据集。对于数据集中的每张IVOCT图像不仅需要判断是否包含异常区域，而且需要标注出具体位置。这种方法有2种缺陷：第一、医学图像数据的收集非常困难。第二、医学图像数据集的标注非常困难，工作量极大，对于异常区域的识别占用了专业医生非常多的时间和同时会因为医生的主观能动性造成异常区域的标注不准。而且对于检测任务而言，不仅需要图像层次标注是否有异常区域，而且需要用bounding box标出具体位置标注出异常区域的位置。综上，现有的基于深度学习IVOCT图像的异常区域检测过于依赖bound ing box标注从而带来巨大的标注压力，同时由于标注过程中的不准确性导致检测准确度不高，最后在应用过程中每次会产生几千个待选区域使得处理速度很慢。

发明内容

针对现有技术中存在的问题，本发明提供一种弱监督的IVOCT图像异常区域检测方法，设计合理，使用方便，操作简单，实用性强，仅利用图像层次标注进行异常区域检测。

本发明是通过以下技术方案来实现：

一种弱监督的IVOCT图像异常区域检测方法，包括以下步骤：

S1，选择笛卡尔坐标系下的训练图集，首先对笛卡尔坐标系下的IVOCT图像进行降噪处理，其次进行极坐标转化得到极坐标下的IVOCT图像，最后进行图像拉平操作得到降噪拉平后的极坐标系图像作为最终图像；

S2，对最终图像按列方向均匀分割得到K张列数相同的分割图像，其中，K为大于1的整数；

S3，将均匀分割后得到的分割图像，传入到预训练好的特征提取神经网络提取特征；

S4，将提取好的特征传入检测模块；

所述检测模块由两部分组成，一个是分类分支，另一个是选择分支；提取好的特征分别传入分类分支和选择分支，得到分类概率图和选择概率图；

其中，分类分支由2个全连接层和1个sigmoid激活层组成，选择分支由1个全连接层和1个sigmoid激活层组成；

S5，将每个分割图像的分类概率图和选择概率图进行加权融合并进行归一化，得到整张图像的分类概率图；然后利用分类损失函数进行优化，得到训练好的检测模型；

S6，将输入的检测图像按列均匀分割后，传入到训练好的检测模型；对检测模块中分类分支的输出进行组合得到每一列的类别，然后利用均值滤波算法得到异常区域的位置。