[发明专利]基于深度学习的OCT心血管斑块自动识别与分析方法

说明书

本发明提供一种基于深度学习的OCT心血管斑块自动识别与分析方法，包括如下步骤：纵深截面处理：对OCT图像的纵深截面进行分割处理，得到分割结果A1；横截面处理：对OCT图像的横截面进行分割处理，得到分割结果A2；截面综合处理：综合纵深截面处理结果A1以及横截面处理结果A2并进行分割处理，得到分割结果A；结果分析：根据分割结果A，计算斑块衰减指数IPA，得出斑块类别。本发明设计合理，综合不同图像分类特点以及OCT的临床特点，通过对3D的OCT图像进行三维重建、分割，并得到量化指标IPA，最终基于IPA对斑块进行分类，能够有效地解决了现有技术中识别斑块能力弱的问题。

技术领域

本发明涉及图像分析领域，尤其涉及一种基于深度学习的OCT心血管斑块自动识别与分析方法。

背景技术

心血管病已发展成为我国居民疾病死亡的第一大杀手，对中国国民健康和国家经济发展造成了难以估量的危害。不稳定的脂质斑块则是头号致死心血管疾病-冠心病的一种主要病因。

血管内光学相干断层成像(intravascularopticalcoherencetomography，IV-OCT)技术由于其超高的成像分辨率(10-20μm),迅速发展成为诊断冠心病的有效手段。IV-OCT图像可以清晰地显现不同类型的动脉粥样硬化斑块，被誉为“活体组织显微镜”。

在分割斑块方面，N.Gessert等人将所有模型都在ImageNet上进行了预训练，然后使用ResNet50-V2和DenseNet121模型以及极坐标系和笛卡尔坐标系训练图像实现冠脉OCT图像的几种斑块的分割与分类，并尝试了几种不同的迁移学习方式，最终对比了几种方法的串联结果。Zhang等人提出了一种fasterR-CNN网络模型与四阶偏微分方程和全局局部活动轮廓模型的混合模型，首先使用fasterR-CNN网络模型检测钙化斑块面积，定位钙化斑块位置，并为特征区域设置边界框，并将边界框设置为活动轮廓模型的初始轮廓，然后通过梯度下降和有限差分方案，将四阶偏微分方程和全局局部活动轮廓模型部分的联合能量函数最小化，从而分割出冠脉OCT图像中的钙化斑块。He等人使用OTSU自动阈值算法分割图像中的组织区域，然后将其作为输入源输入基于CNN的分类器中，将冠脉OCT图像中病灶组织分为5个不同的组织类别，完成冠脉OCT图像的斑块表征。使用深度学习解决冠脉斑块的分割问题需要较大数据集，或经过大量的数据扩充增加数据量，而且深层卷积神经网络带来的运算量及对硬件的要求都会是深度学习应用于冠脉OCT图像斑块分割的难点。

这些方法主要分为集中于利用深度学习的方法，如AlexNet、GoogleNet、VGG-Net、fasterR-CNN、DenseNet、ResNet等，在每个纵深截面上，对斑块进行分割，然后对分割区域提取深层特征然后进行分类。这些方法，已经在图像分类上，如ImageNet上，取得较好结果的方法。他们主要是对于不同种类的动物、植物、工具及其它生活常见物件进行分类识别。然而对于OCT的3D图像，由光学仪器干涉产生的图像，其中斑块通常比较小，而且是3D图像，识别不同斑块的能力通常比较弱，存在一定的缺陷。

发明内容

针对上述现有技术的不足，本发明的目的在于提供一种基于深度学习的OCT心血管斑块自动识别与分析方法，对3D的OCT图像，三维重建，分割，并得到量化指标IPA，最终基于IPA对斑块进行分类。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的OCT心血管斑块自动识别与分析方法，包括如下步骤：

S100、纵深截面处理：对OCT图像的纵深截面进行分割处理，得到分割结果A1；

S200、横截面处理：对OCT图像的横截面进行分割处理，得到分割结果A2；

S300、截面综合处理：综合纵深截面处理结果A1以及横截面处理结果A2并进行分割处理，得到分割结果A；