[发明专利]一种基于IVUS图像的血管伪彩图像重建方法

说明书

本发明公开了一种基于IVUS图像的血管伪彩重建方法，针对传统血管内超声图像斑点噪声大与灰度图像信息不直观的性能缺陷，使用生成式对抗网络模型，通过生成模型以及判别模型两部分，完成对血管内超声图像与真实血管形状、颜色等特征图像的映射关系。生成模型通过数据整理模块，多个残差模块和数据输出模块尽量去学习输入图像与目标图像的映射关系。判断模型同时接受目标图像与生成模型输出的图像，将对其进行真假判别。生成模型与判别模型两者通过不断学习反馈，提升各自的生成能力与判别能力，并最终达到纳什均衡状态，此时生成器所生成图像已到达判别器极限，即可以输出符合图像翻译要求的血管伪彩图像。此发明的方法对IVUS图像的解读具有一定的价值与参考意义。

技术领域

本发明属于医学图像处理和图像翻译技术领域，尤其涉及一种基于IVUS图像的血管伪彩图像重建方法。

背景技术

心血管疾病已成为中国第一致死原因，而冠心病就是其中最主要的一种心脏病。据统计，在我国，每年有超过100万人死于冠心病，且发病趋势逐渐由中老年人群向中青年人群发展。冠心病的主要病因是冠状动脉粥样硬化，它是血管内垃圾逐渐堆积形成的慢性疾病。目前检验冠心病的主要手段是冠脉造影，但该技术只能对血管内血流情况进行成像，且容易受造影角度的影响，无法对血管壁上的斑块发展情况进行判断。血管内超声(IntraVascular UltraSound，IVUS)技术诞生于20世纪末，它利用安装在心导管顶端的微型超声探头，实时显示血管的截面图像，能清晰显示管壁结构的厚度、管腔大小和形状等，精确地测量血管腔径及截面积，甚至可以辨认钙化、纤维化和脂质池等病变，发现冠脉造影不能显示的血管早期病变。作为冠脉造影的重要补充手段，IVUS提高了病变诊断的准确性，对冠脉介入治疗(Percutaneous Coronary Intervention,PCI)的策略、支架选择和效果评价有着重要的指导意义。

但是血管内超声的缺陷也很明显，由于IVUS图像的成像系统是基于相干原理的，而这一理论基础存在着原理性缺陷，其表现为：在超声回波信号中，相邻像素点的灰度值会由于相干性而产生一些随机的变化，并且这种随机变化是围绕着某一均值而进行的，这样就在图像中产生了斑点噪声，且是不可避免的。所以IVUS图像会呈现出不规则的斑点噪声，而且所得到的图像较为抽象复杂，需要具有一定经验的专业医师来进行解读。所以如何使用标准化、低成本软件来完成对IVUS图像的解读工作，成为了一个亟待解决的问题。

而图像翻译(Image translation)技术是克服该问题的一种方法。图像翻译是将一个物体的图像表征转换为该物体的另一种图像表征，即找到一个网络模型能让A域图像映射到B域内。而深度学习的出现，将图像翻译应用于许多的实际问题上成为了可能，如风格迁移，属性迁移等工作。相较于传统方法，基于深度学习的图像翻译算法，是通过具有大量神经元所组成的非线性神经网络，并其模型的不断反馈学习训练而实现的。这种方法使输入图像通过网络模型对其图像某一种或多种特征进行转化，最终得到需求的目标图像。而随着生成式对抗网络(GAN)的研究逐渐走向成熟，其在图像翻译领域获得了巨大的成功。

发明内容

针对背景技术存在的技术问题，本发明基于深度学习、卷积神经网络在图像翻译的相关应用，提出了一种基于IVUS图像的血管伪彩图像重建方法，该方法的网络模型主要分为生成模型与判别模型。首先需要构建网络模型所需使用的数据集，将输入图像与目标图像一一配对并输入至生成网络模型之中。通过生成模型的多个残差模块实现对于图像信息的重复用并解决了深度学习中的梯度消逝问题。经过多次循环反馈，使生成模型完成对输入图像与目标图像的映射学习。与此同时，对判别网络同样导入输入图像与目标图像，该网络仅判断两图像间是否存在翻译映射关系。将生成模型的输出与输入图像导入判别模型，使判别模型尽可能分辨出生成模型输出与目标图像区别。通过不断训练两个模型，以到达最终对IVUS图像进行翻译映射的目标，得到包含血管内外膜的伪彩重建图像。图1为该方法的流程图，图2为该方法的网络结构图。

本发明的步骤如下：

步骤1，使用IVUS血管内超声的图像翻译伪彩重建数据集——其中包括图像训练集和图像测试集；