[发明专利]OCT影像下冠状动脉管腔轮廓的深度网络分割方法

权利要求书

1.OCT影像下冠状动脉管腔轮廓的深度网络分割方法，其特征在于，所述分割方法采用双支路深度卷积网络结构，一条支路分割OCT影像对应的管腔区域掩膜，另一条支路预测管腔内壁轮廓，两个任务之间进行联合学习，耦合后的结果即为最终的分割轮廓。

2.根据权利要求1所的深度网络分割方法，其特征在于，包括以下步骤：

S101、采集冠状动脉OCT影像切片扫描序列，构建OCT影像下冠状动脉数据集；对每张OCT图像切片的轮廓区域与管腔内壁轮廓进行标注，并生成对应的二值化掩码图；

S102、对S101中冠状动脉OCT影像切片与对应的二值化掩码图分别进行预处理操作，再分别将预处理后的OCT图像切片和对应的二值化掩码图按照6:2:2的比例划分为训练集、验证集和测试集；

S103、采用双支路深度卷积网络分割模型，利用S102中的训练集和验证集进行训练；

S104、训练完成后，从测试集中任选一张冠状动脉OCT影像切片，输入双支路深度卷积网络分割模型，加载训练好的模型权重进行分割，生成管腔/背景的概率图谱，分割出冠状动脉OCT影像切片的血管内壁，并生成分割后的二值化掩码图。

3.根据权利要求2所述的深度网络分割方法，其特征在于，所述S103中的双支路深度卷积网络分割模型包括：

编码器，缩小给定的输入特征图尺度，提取OCT图像的不同尺度特征；

解码器，扩大编码器输出的特征图尺度至与输入特征图尺度相同，输出多尺度融合特征；

双支路联合分割，输出概率图谱。

4.根据权利要求3所述的深度网络分割方法，其特征在于，所述S103中的双支路深度卷积网络分割模型中编码器和解码器中的尺度数均为4个；给定的输入特征图先经4个编码器块逐级降低特征图尺寸，后通过4解码器块逐级扩大特征图尺寸直至与输入尺寸相同，再经3×3卷积进行通道数降维，最后将特征图分为两条支路，经过联合处理，将分割结果进行耦合，生成最终网络输出结果。

5.根据权利要求4所述的深度网络分割方法，其特征在于，每个编码器块由两个卷积核大小为(3x3)的卷积层与一个max pool层构成，用于提取图像语义特征；每个解码器由两个卷积核为(3x3)卷积层与一个卷积核为(2x2)的反卷积层构成，用于扩大神经元感受野以获取高阶语义信息。

6.根据权利要求4所述的深度网络分割方法，其特征在于，所述联合处理包括以下步骤：对其中一条支路首先使用1×1卷积进行特征学习，预测血管区域，并进行canny边缘检测得到血管轮廓，另一条支路使用1×1卷积直接检测血管轮廓，并经两条通路检测的的血管内部轮廓进行耦合，在损失函数的统一约束下进行耦合学习，使其贴近真实标注结果。

7.根据权利要求6所述的深度网络分割方法，其特征在于，所述损失函数为L＝L_B+L_M，L_M为Dice coefficient函数，L_B为binary cross entropy函数；

Dice coefficient是用以评估两个样本集p与q的相似度，其值介于0和1之间，表示为：

binary cross entropy函数对预测结果进行约束，其表达式为：

其中，output_size为像素个数，为网络预测的类别，y_i为真实类别。

8.根据权利要求7所述的深度网络分割方法，其特征在于，所述S102中预处理操作包括调整窗宽值、窗位值和归一化。

9.根据权利要求8所述的深度网络分割方法，其特征在于，所述S103训练时采用随机梯度优化器进行优化学习，并设置相关的超参数，包括学习率、批尺寸、动量和权重衰减系数。