一种定量血管内光学相干层析成像方法及系统

1.本发明涉及医学成像技术领域，特别是涉及一种定量血管内光学相干层析成像方法及系统。


背景技术：

2.血管内光学相干层析成像(intravascular optical coherence tomography,ivoct)是目前分辨率最高的介入血管成像技术，可清晰显示血管内壁，在评估冠状动脉血管病变程度、粥样硬化斑块的准确分型、识别易损斑块、指导支架置入和评价介入治疗效果等方面发挥着重要作用。
3.ivoct是一种纯光学成像方法，而光在高散射组织中的成像深度通常只能达到1mm，因此其组织穿透力较弱，成像深度浅。此外在病变出现的早期，正常与病变组织对光的散射特性差别不大，仅根据组织结构的层析图像无法精确分辨纤维帽下的脂质、钙化斑块、巨噬细胞和坏死核等较深层组织，需要形态结构之外的生理信息的对比机制，以获得具有临床诊断价值的组织光学特征参数-光衰减系数，即定量ivoct(定量血管内光学相干层析成像)。


技术实现要素：

4.本发明的目的是提供一种定量血管内光学相干层析成像方法及系统，以实现定量血管内光学相干层析成像。
5.为实现上述目的，本发明提供了如下方案：
6.一种定量血管内光学相干层析成像方法，包括如下步骤：
7.基于ivoct前向成像模型进行光学模拟，获得不同光衰减系数对应的血管横截面上背向散射信号的理论值，构建光衰减系数分布图和光衰减系数分布图对应的血管横截面上背向散射信号理论值分布图；
8.将血管横截面上背向散射信号理论值分布图作为样本的输入，将对应的光衰减系数分布图作为样本的期望输出，构造用于ivoct定量分析的数据集；
9.搭建rim网络模型；
10.利用所述数据集对所述rim网络模型进行训练，获得训练后的rim网络模型；
11.将待分析的血管横截面上背向散射信号的测量值分布图输入训练后的rim网络模型进行定量分析，获得待分析的血管横截面上背向散射信号的测量值分布图对应的光衰减系数分布图。
12.可选的，所述基于ivoct前向成像模型进行光学模拟，获得不同光衰减系数对应的血管横截面上背向散射信号的理论值，具体包括：
13.采用蒙特卡洛方法模拟入射光在不同光衰减系数的组织中的传输，得到入射光在不同光衰减系数的组织中的光子权重和径向深度；所述光子权重为从组织的表面收集的光子权重，所述径向深度为光子在组织中的传输深度；
14.根据入射光在不同光衰减系数的组织中的光子权重和传输深度，计算不同光衰减系数对应的血管横截面上背向散射信号的理论值。
15.可选的，根据入射光在不同光衰减系数的组织中的光子权重和传输深度，计算不同光衰减系数对应的血管横截面上背向散射信号的理论值为：
[0016][0017]
其中，i(r)表示血管横截面上位置r处的背向散射信号的理论值，i0是表征成像系统特性的常数，n
ph
是光子总数，|r|是位置r的径向深度，λc是入射光中心波长，li是第i个光子在组织中传输的光程长度，wi是第i个光子的权重，l
coh
是探测光源的相干长度；δλ是光源光谱的半峰全宽。
[0018]
可选的，所述rim网络模型包括级联连接的多个rim网络结构单元。
[0019]
可选的，所述rim网络结构单元包括依次连接的第一卷积层、第一门控循环单元、第二卷积层、第二门控循环单元和第三卷积层；
[0020]
所述第一卷积层和所述第二卷积层的滤波核的尺寸为3
×3×
m；其中，m表示当前层输入的特征图数量；
[0021]
所述第三卷积层的滤波核的尺寸为1
×1×
m；
[0022]
所述第一门控循环单元和所述第二门控循环单元均包括更新门和重置门，所述更新门和所述重置门的门函数均为sigmoid激活函数。
[0023]
可选的，所述利用所述数据集对所述rim网络模型进行训练，获得训练后的rim网络模型，具体包括：
[0024]
初始化rim网络模型的网络参数，并令时间步t＝0，从所述数据集中划分出训练集a，并将训练集a划分成多个小批量训练集；
[0025]
令遍历训练集a中所有小批量训练集的次数epoch等于0；
[0026]
令训练集a中小批量训练集的索引j等于1；
[0027]
将训练集a中的第j组小批量训练集aj中的q个样本输入rim网络模型中进行前向传播；
[0028]
利用损失函数，计算前向传播的损失值；所述损失函数为：
[0029][0030]
式中，w和b分别是rim网络模型的权重参数集和偏置参数集，l(w,b)是关于w和b的损失函数，m是aj中q个样本的总像素数，t是训练网络的总时间步数，μ
t,i
是aj中的第i个样本在经过t个时间步的训练后得到的光衰减系数分布图，μi是aj中第i个样本的目标图像；
[0031]
根据所述损失值，利用如下公式计算rim网络模型的输出层参数的梯度；
[0032][0033]
[0034]
式中，wc和bc分别是第c层网络的权重参数矩阵和偏置参数向量，wc和bc中的c表示rim网络模型中的网络总层数，y
c-1
是前向传播中第c-1层网络的输出，
“⊙”
表示矩阵的哈达玛积，σ'()是relu激活函数的一阶导数，上标t表示矩阵转置，zc是前向传播中第c层网络产生的线性激活响应：zc＝wcy
c-1
bc；
[0035]
根据如下公式计算rim网络模型的每一层网络的误差向量；
[0036][0037]
式中，δc表示rim网络模型的第c层网络的误差向量，w
c 1
是第c 1层网络的权重参数矩阵，zc是前向传播中第c层网络产生的线性激活响应；
[0038]
根据rim网络模型的每一层网络的误差向量和所述损失值，利用如下公式计算rim网络模型的每一层网络的梯度：
[0039][0040][0041]
式中，c＝c,c-1,c-2,...,2，y
c-1
是前向传播中第c-1层网络的输出，wc和bc分别是第c层网络的权重参数矩阵和偏置参数向量；
[0042]
根据rim网络模型的每一层网络的梯度，采用自适应矩估计算法，采用如下公式对rim网络模型的每一层网络的权重参数矩阵和偏置参数向量进行更新；
[0043][0044]
式中，w
′c和b
′c分别是更新后的第c层网络的权重参数矩阵和偏置参数向量，α表示学习率，ε是用于保持数值计算稳定的常数，和是修正后的momentum指数加权平均数，和是修正后的rmsprop指数加权平均数，令k
←
k 1：
[0045][0046]
式中，k是网络参数梯度累积的修正次数(初始值为0)，v
dw
和v
db
分别是dw和db的
momentum指数加权平均数，s
dw
和s
db
分别是dw和db的rmsprop指数加权平均数，β1和β2分别是一阶矩估计和二阶矩估计的指数衰减速率，dw是wc的梯度矩阵，db是bc的梯度向量：
[0047][0048]
令j的数值增加1，判断公式j《p 1是否成立，获得第一判断结果；
[0049]
若所述第一判断结果表是则返回步骤“将训练集a中的第j组小批量训练集aj中的q个样本输入rim网络模型中进行前向传播”；
[0050]
若所述第一判断结果表示否，则令epoch的数值增加1，判断公式epoch《epoch
max
是否成立，获得第二判断结果；epoch
max
是预先设定的epoch最大值；
[0051]
若所述第二判断结果表示是，则返回步骤“令训练集a中小批量训练集的索引j等于1”；
[0052]
若所述第二判断结果表示否，则令t的数值增加1，判断公式t《t是否成立，获得第三判断结果；
[0053]
若所述第三判断结果表示是，则返回步骤“令遍历训练集a中所有小批量训练集的次数epoch等于0”；
[0054]
若所述第三判断结果表示否，则输出参数更新后的rim网络模型，作为训练后的rim网络模型。
[0055]
一种定量血管内光学相干层析成像系统，包括：
[0056]
光学模拟模块，用于基于ivoct前向成像模型进行光学模拟，获得不同光衰减系数对应的血管横截面上背向散射信号的理论值，构建光衰减系数分布图和光衰减系数分布图对应的血管横截面上背向散射信号理论值分布图；
[0057]
数据集构造模块，用于将血管横截面上背向散射信号理论值分布图作为样本的输入，将对应的光衰减系数分布图作为样本的期望输出，构造用于ivoct定量分析的数据集；
[0058]
rim网络模型搭建模块，用于搭建rim网络模型；
[0059]
rim网络模型训练模块，用于利用所述数据集对所述rim网络模型进行训练，获得训练后的rim网络模型；
[0060]
定量分析模块，用于将待分析的血管横截面上背向散射信号的测量值分布图输入训练后的rim网络模型进行定量分析，获得待分析的血管横截面上背向散射信号的测量值分布图对应的光衰减系数分布图。
[0061]
可选的，所述光学模拟模块，具体包括：
[0062]
光传输模拟子模块，用于采用蒙特卡洛方法模拟入射光在不同光衰减系数的组织中的传输，得到入射光在不同光衰减系数的组织中的光子权重和径向深度；所述光子权重为从组织的表面收集的光子权重，所述径向深度为光子在组织中的传输深度；
[0063]
血管横截面上背向散射信号计算子模块，用于根据入射光在不同光衰减系数的组织中的光子权重和传输深度，计算不同光衰减系数对应的血管横截面上背向散射信号的理论值。
[0064]
可选的，根据入射光在不同光衰减系数的组织中的光子权重和传输深度，计算不
同光衰减系数对应的血管横截面上背向散射信号的理论值为：
[0065][0066]
其中，i(r)表示血管横截面上位置r处的背向散射信号的理论值，i0是表征成像系统特性的常数，n
ph
是光子总数，|r|是位置r的径向深度，λc是入射光中心波长，li是第i个光子在组织中传输的光程长度，wi是第i个光子的权重，l
coh
是探测光源的相干长度；δλ是光源光谱的半峰全宽。
[0067]
可选的，所述rim网络模型包括级联连接的多个rim网络结构单元。
[0068]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0069]
本发明公开了一种定量血管内光学相干层析成像方法，包括如下步骤：基于ivoct前向成像模型进行光学模拟，获得不同光衰减系数对应的血管横截面上背向散射信号的理论值，构建光衰减系数分布图和光衰减系数分布图对应的血管横截面上背向散射信号理论值分布图；将血管横截面上背向散射信号理论值分布图作为样本的输入，将对应的光衰减系数分布图作为样本的期望输出，构造用于ivoct定量分析的数据集；搭建rim网络模型；利用所述数据集对所述rim网络模型进行训练，获得训练后的rim网络模型；将待分析的血管横截面上背向散射信号的测量值分布图输入训练后的rim网络模型进行定量分析，获得待分析的血管横截面上背向散射信号的测量值分布图对应的光衰减系数分布图。本发明首先基于ivoct前向成像模型构建数据集，基于数据集训练rim网络模型，基于训练后的rim网络模型进行定量分析，本发明基于ivoct前向成像模型和rim网络模型实现了定量血管内光学相干层析成像。
附图说明
[0070]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0071]
图1为本发明实施例提供的一种定量血管内光学相干层析成像方法的流程图；
[0072]
图2为本发明实施例提供的一种定量血管内光学相干层析成像方法的原理图；
[0073]
图3为本发明实施例提供的rim网络模型的结构示意图；
[0074]
图4为本发明实施例提供的门控循环单元的结构示意图；
[0075]
图5为本发明实施例提供的搭建rim网络模型的流程图；
[0076]
图6为本发明实施例提供的rim网络模型训练的流程图。
具体实施方式
[0077]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0078]
本发明的目的是提供一种定量血管内光学相干层析成像方法及系统，以实现定量血管内光学相干层析成像，进而提高组织分类和标定的精度，为冠状动脉粥样硬化的计算机辅助诊断提供可靠依据。
[0079]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0080]
如图1和2所示，本发明提供一种定量血管内光学相干层析成像方法，包括如下步骤：
[0081]
步骤101，基于ivoct前向成像模型进行光学模拟，获得不同光衰减系数对应的血管横截面上背向散射信号的理论值，构建光衰减系数分布图和光衰减系数分布图对应的血管横截面上背向散射信号理论值分布图。
[0082]
基于ivoct前向成像模型进行光学模拟，获得不同光衰减系数对应的血管横截面上背向散射信号的理论值，具体包括：采用蒙特卡洛方法模拟入射光在不同光衰减系数的组织中的传输，得到入射光在不同光衰减系数的组织中的光子权重和径向深度；所述光子权重为从组织的表面收集的光子权重，所述径向深度为光子在组织中的传输深度；根据入射光在不同光衰减系数的组织中的光子权重和传输深度，计算不同光衰减系数对应的血管横截面上背向散射信号的理论值。
[0083]
示例性的，ivoct前向成像模型包括产生高斯光束、模拟光子在介质中的传播和模拟背向散射信号三部分。
[0084]
步骤201，产生高斯光束。
[0085]
首先，计算高斯光束中光子的初始发射点坐标(x0,y0)：
[0086][0087]
式中，w0是高斯光束的束腰半径，ξ1和ξ2是在区间[0,1]上均匀分布且相互独立的随机数，r≤1且r≠0。x0和y0服从均值为0、方差为的高斯分布，且
[0088][0089]
由该点发射的大量光子的平均传播方向与相应高斯光束的坡印廷矢量(poynting vector)相同。
[0090]
然后，跟踪光子在聚焦系统中的传播轨迹，计算在透镜背面的光分布参数，包括光程l：
[0091]
l＝l
·nꢀꢀꢀ
(3)
[0092]
以及光子的能量损失，即反射损失r：
[0093][0094]
和吸收损失t：
[0095]
t＝1-e-ax
ꢀꢀꢀ
(5)
[0096]
式中，l和n分别是光子与透镜曲面的两个交点间的距离和这两点之间介质的折射率(即透射界面前的介质折射率)，n'是透射界面后的介质折射率，a是透镜光学材料的吸收系数，x是透镜的厚度。
[0097]
步骤202，用蒙特卡洛方法模拟入射光在组织中的传输，得到从介质表面收集的光子权重和路径长度。
[0098]
光在组织中的传播过程是：光子沿垂直于组织表面的方向入射，经过多次散射和吸收，部分光子从组织中逸出，最终由探测器接收。采用蒙特卡洛方法模拟光子在弱吸收、强散射介质中的传播轨迹的步骤包括：发射并初始化光子、设定光子抽样步长、光子的吸收和散射以及光子的结束。具体如下：
[0099]
对垂直射入组织表面的单个光子进行初始化，包括设定初始位置、方向余弦以及权重。光子在组织中传播时所发生的散射次数和各散射点之间的距离是随机的，因此利用随机数对光子移动步长s(即自由路径长度)进行抽样：
[0100][0101]
式中，ξ是在区间[0,1]上均匀分布的随机变量，μ
t
是组织的光衰减系数(即消光系数)：
[0102]
μ
t
＝μa μs(7)
[0103]
式中，μa和μs分别是组织的光吸收系数和光散射系数。
[0104]
光子在组织中发生散射时，传输方向会发生变化，其方位角仅与介质特性有关，而偏转角θ与散射有关。方位角在区间(0,2π)内均匀分布，直接抽样得偏转角θ∈[0,π]，其余弦为：
[0105][0106]
式中，g是组织的散射各向异性因子。
[0107]
光子在组织中的传输深度r是：
[0108][0109]
式中，ns是单个光子在组织中的总散射次数，sj是第j次光子移动的步长，μ
z,j
是光子的第j次散射余弦：
[0110][0111]
光子在介质中发生散射后，一部分能量被介质吸收，导致光子权重减小。若散射发生位置不在目标组织层，则散射后的光子权重为：
[0112][0113]
式中，w是光子的初始权重，w
′
是散射后的光子权重。若散射发生在目标组织层，则散射后的光子权重为：
[0114][0115]
若光子权重小于预设阈值(即被散射介质完全吸收时的光子权重)或者光子逃逸出组织表面，则光子的传播终止。
[0116]
步骤203，计算血管横截面上各处的背向散射信号理论值。
[0117]
血管横截面上位置r处的背向散射信号理论值为：
[0118][0119]
式中，i0是表征成像系统特性的常数，n
ph
是光子总数，|r|是位置r的径向深度，λc是入射光中心波长，li是第i个光子在介质中传输的光程长度(即介质折射率与光子移动总步长的乘积)，wi是第i个光子的权重，l
coh
是探测光源的相干长度：
[0120][0121]
式中，δλ是光源光谱的半峰全宽。
[0122]
步骤102，将血管横截面上背向散射信号理论值分布图作为样本的输入，将对应的光衰减系数分布图作为样本的期望输出，构造用于ivoct定量分析的数据集。
[0123]
具体的，根据ivoct前向成像模型得到血管横截面上背向散射信号理论值分布图，将其作为样本的输入，对应的光衰减系数分布图作为样本的期望输出，构造适用于定量ivoct的数据集。将数据集中的所有样本随机打乱，按照6:2:2的比例划分为训练集a、验证集b和测试集c。并将训练集a中的样本平均分成p组，每组是一个包含q个样本的小批量训练集。
[0124]
步骤103，搭建rim网络模型。
[0125]
如图5所示，搭建rim网络模型，即，设计前向传播rim网络模型的具体步骤示例性的包括：
[0126]
步骤301，搭建rim网络结构。
[0127]
本发明方法搭建的rim网络结构如图3所示，一个结构单元由三个卷积层和两个门控循环单元(gated recurrent unit,gru)组成。其中卷积操作采用的滤波核尺寸是3
×3×
m(前两层)和1
×1×
m(第三层)，m是当前层输入的特征图数量。卷积层采用步长为2的same卷积，其中滤波核的初始数量即特征通道数channels＝64，激活函数采用线性整流函数relu。
[0128]
如图4所示，gru由更新门z
t
和重置门r
t
两个门函数σ(为sigmoid激活函数)、tanh激活函数、矩阵的哈达玛积
“⊙”
、矩阵加法以及“1
‑”
运算组成。通过更新网络的隐藏状态，传递来自前一个时间步的相关信息，具体过程为：
[0129]
首先，根据时间步t-1传输来的隐藏状态h
t-1
和时间步t时gru的输入x
t
获取两个门控状态，得到门控信号r
t
和z
t
：
[0130]
[0131]
式中wr和wz分别是r
t
和z
t
的权重参数集，“[
·
,
·
]”表示对两个矩阵进行拼接操作。
[0132]
然后，对r
t
与h
t-1
进行哈达玛积运算，得到的结果与x
t
进行拼接操作，再通过tanh激活函数得到当前时刻的候选隐藏状态
[0133][0134]
式中，是的权重参数集。
[0135]
最后，进行“1
‑”
运算后的z
t
(即1-z
t
)和z
t
分别与h
t-1
和进行哈达玛积，结果再进行矩阵加法即得到时间步t的隐藏状态h
t
：
[0136][0137]
步骤302，初始化网络参数。
[0138]
特征图层序号c＝1，卷积次数conv＝0，特征通道数channels＝64，时间步t＝0，最大时间步t
max
＝t＝8，初始隐藏状态h
0,1
＝h
0,2
＝0。
[0139]
步骤303，计算输入第t 1个网络结构单元的似然梯度：
[0140][0141]
式中，是输入第t 1个网络结构单元的似然梯度，i是训练集a中的第一个小批量训练集a1中的样本序号，ii是第i个样本的输入背向散射信号分布图，h是前向成像算子(即由组织的光衰减系数得到血管横截面上各处的背向散射信号理论值的过程)，h
*
是h的伴随算子，μ
t,i
是第i个样本经过第t个时间步后输出的光衰减系数分布图：
[0142][0143]
式中，μ
t,i
和μ
t-1,i
分别是第i个样本经过第t和第t-1个时间步后输出的光衰减系数分布图，μ
0,i
是μ
t,i
的初始值，δμ
t,i
是第i个样本经过第t个时间步后输出的增量图像：
[0144][0145]
式中，是第t个时间步的、学习参数为φ的网络结构单元，是输入第t个网络结构单元的似然梯度，h
t
是第t个时间步时网络结构单元的隐藏状态(包括h
t,1
和h
t,2
两个分量)：
[0146][0147]
式中，是第t个时间步的、学习参数为φ的gru。
[0148]
步骤304，将a1中的全部q个样本输入网络。
[0149]
步骤305，将和μ
t,i
沿通道维度简单连接，产生第t 1个时间步的网络结构单元中第一个卷积层的输入，作为特征图层mapc。
[0150]
步骤306，将mapc作为第t 1个时间步的网络输入特征图层map
t
。
[0151]
步骤307，对mapc通过多个特征通道并行地执行步长为2的same卷积操作，产生多
组线性激活响应，计算各个线性激活响应的relu函数值，得到卷积操作后的特征图层mapc。
[0152]
步骤308，令c
←
c 1且conv
←
conv 1。
[0153]
步骤309，卷积后的特征图层mapc与上一时间步的状态h
t,1
进入第一个gru，获取两个门控状态，并得到新的特征图层mapc以及新的状态h
t 1,1
，并令c
←
c 1。
[0154]
步骤3010，对mapc通过多个特征通道并行地执行步长为2的same卷积操作，产生多组线性激活响应，计算各个线性激活响应的relu函数值，得到卷积操作后的特征图层mapc。
[0155]
步骤3011，令c
←
c 1且conv
←
conv 1。
[0156]
步骤3012，卷积后的特征图层mapc与上一时间步的状态h
t,2
通过第二个gru，获取两个门控状态，得到新的特征图层mapc以及新的状态h
t 1,2
，并令c
←
c 1。
[0157]
步骤3013，对mapc通过多个特征通道并行地执行步长为2的same卷积操作，产生多组线性激活响应，计算各个线性激活响应的relu函数值，得到卷积操作后的特征图层mapc。
[0158]
步骤3014，分别令c
←
c 1、conv
←
conv 1和mapc←
mapc map
t
，然后计算线性激活响应的relu函数值，得到卷积操作的特征图层。
[0159]
步骤3015，令t
←
t 1。若t《8，则返回步骤305，否则执行步骤3016。
[0160]
步骤3016，输出a1中q个样本的预测图像。此时，c＝41。
[0161]
步骤104，利用所述数据集对所述rim网络模型进行训练，获得训练后的rim网络模型。
[0162]
如图6所示，示例性的rim网络模型的层数为41层时，本发明步骤104的具体实现步骤为：
[0163]
步骤401，初始化网络参数：令时间步t＝0。
[0164]
步骤402，令遍历训练集a中所有小批量训练集的次数epoch等于0。
[0165]
步骤403，令a中小批量训练集的索引j等于1。
[0166]
步骤404，将训练集a中的第j组小批量训练集aj中的q个样本输入搭建好的rim网络中进行前向传播。
[0167]
步骤405，设置损失函数：
[0168][0169]
式中，w和b分别是网络的权重参数集和偏置参数集，l(w,b)是关于w和b的损失函数，m是aj中q个样本的总像素数，t是训练网络的总时间步数，示例性的为8，μ
t,i
是aj中的第i个样本在经过t个时间步的训练后得到的光衰减系数分布图，μi是aj中第i个样本的目标图像(即仿真的光衰减系数分布图)。
[0170]
步骤406，计算网络输出层(示例性的当层数为41时，输出层即第41层)参数的梯度：
[0171][0172][0173]
式中，w
41
和b
41
分别是第41层网络的权重参数矩阵和偏置参数向量，y
40
是前向传播
中第40层网络的输出(也是第41层的输入)，
“⊙”
表示矩阵的哈达玛积，σ'()是relu激活函数的一阶导数，上标“t”表示矩阵转置，z
41
是前向传播中第41层网络产生的线性激活响应：
[0174]z41
＝w
41y40
b
41
ꢀꢀꢀ
(25)
[0175]
步骤407，计算网络各层的误差向量。
[0176]
网络输出层(即第41层)的误差向量为：
[0177][0178]
根据式(26)递推得到网络第40层至第2层的误差向量：
[0179]
δc＝((w
c 1
)
t
δ
c 1
)
⊙
σ'(zc)
ꢀꢀꢀ
(27)
[0180]
式中，c＝40,39,38,...,2，δc是第c层网络的误差向量，w
c 1
是第c 1层网络的权重参数矩阵，zc是前向传播中第c层网络产生的线性激活响应。
[0181]
步骤408，计算网络各层参数的梯度：
[0182][0183][0184]
式中，c＝41,40,39,38,...,2，y
c-1
是前向传播中第c-1层网络的输出，wc和bc分别是第c层网络的权重参数矩阵和偏置参数向量。
[0185]
步骤409，采用自适应矩估计(adaptive moment estimation,adam)算法对参数wc和bc进行更新：
[0186][0187]
式中，wc'和bc'分别是更新后的第c层网络的权重参数矩阵和偏置参数向量，α＝0.001表示学习率，ε＝10-8
是用于保持数值计算稳定的常数，和是修正后的momentum指数加权平均数，和是修正后的rmsprop指数加权平均数，令k
←
k 1：
[0188][0189]
式中，k是网络参数梯度累积的修正次数(初始值为0)，v
dw
和v
db
分别是dw和db的
momentum指数加权平均数，s
dw
和s
db
分别是dw和db的rmsprop指数加权平均数，β1和β2分别是一阶矩估计和二阶矩估计的指数衰减速率，dw是wc的梯度矩阵，db是bc的梯度向量：
[0190][0191]
步骤4010，令j
←
j 1。若j《p 1，则转向步骤404；否则，令epoch
←
epoch 1，转向步骤4011。
[0192]
步骤4011，若epoch《epoch
max
，epoch
max
是预先设定的epoch最大值，则转向步骤403；否则，停止遍历，执行步骤4012。
[0193]
步骤4012，令t
←
t 1；若t《8，则返回步骤402；否则，转向步骤4013。
[0194]
步骤4013，确定最终的网络参数，得到优化后的rim网络模型。
[0195]
步骤105，将待分析的血管横截面上背向散射信号的测量值分布图输入训练后的rim网络模型进行定量分析，获得待分析的血管横截面上背向散射信号的测量值分布图对应的光衰减系数分布图。
[0196]
对成像系统输出的标准横截面图像(即横向视图)进行灰度化处理，根据灰阶图像中各像素的灰度值得到图像平面中各点处的背向散射信号测量值：
[0197][0198]
式中，g(r)是ivoct灰阶图像中位置r处的8比特灰度值(取值范围是[0,255])，im(r)是位置r处背向散射信号的测量值。将背向散射信号测量值分布图输入训练后的rim网络中，最终输出光衰减系数分布图。
[0199]
本发明还提供一种定量血管内光学相干层析成像系统，包括：
[0200]
光学模拟模块，用于基于ivoct前向成像模型进行光学模拟，获得不同光衰减系数对应的血管横截面上背向散射信号的理论值，构建光衰减系数分布图和光衰减系数分布图对应的血管横截面上背向散射信号理论值分布图。
[0201]
所述光学模拟模块，具体包括：光传输模拟子模块，用于采用蒙特卡洛方法模拟入射光在不同光衰减系数的组织中的传输，得到入射光在不同光衰减系数的组织中的光子权重和径向深度；所述光子权重为从组织的表面收集的光子权重，所述径向深度为光子在组织中的传输深度；血管横截面上背向散射信号计算子模块，用于根据入射光在不同光衰减系数的组织中的光子权重和传输深度，计算不同光衰减系数对应的血管横截面上背向散射信号的理论值。
[0202]
其中，根据入射光在不同光衰减系数的组织中的光子权重和传输深度，计算不同光衰减系数对应的血管横截面上背向散射信号的理论值为：
[0203][0204]
其中，i(r)表示血管横截面上位置r处的背向散射信号的理论值，i0是表征成像系统特性的常数，n
ph
是光子总数，|r|是位置r的径向深度，λc是入射光中心波长，li是第i个光
子在组织中传输的光程长度，wi是第i个光子的权重，l
coh
是探测光源的相干长度；δλ是光源光谱的半峰全宽。
[0205]
数据集构造模块，用于将血管横截面上背向散射信号理论值分布图作为样本的输入，将对应的光衰减系数分布图作为样本的期望输出，构造用于ivoct定量分析的数据集。
[0206]
rim网络模型搭建模块，用于搭建rim网络模型。
[0207]
所述rim网络模型包括级联连接的多个rim网络结构单元。
[0208]
rim网络模型训练模块，用于利用所述数据集对所述rim网络模型进行训练，获得训练后的rim网络模型。
[0209]
定量分析模块，用于将待分析的血管横截面上背向散射信号的测量值分布图输入训练后的rim网络模型进行定量分析，获得待分析的血管横截面上背向散射信号的测量值分布图对应的光衰减系数分布图。
[0210]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0211]
本发明首先，建立ivoct的前向成像模型，其中采用蒙特卡洛法(montecarlo,mc)模拟入射光在组织中的传输过程，得到组织背向散射信号的理论值；然后，将计算机仿真得到的背向散射信号的理论值分布图作为样本的输入，对应的光衰减系数分布图作为样本的期望输出，构造适用于定量ivoct的数据集；其次，搭建rim网络模型，并采用上述数据集对其进行训练，优化网络参数；最后，根据ivoct灰阶图像中各像素处的灰度值与背向散射信号之间的映射关系，得到背向散射信号的测量值分布图，并输入训练后的rim网络模型中，最终输出血管横截面上的光衰减系数分布图。
[0212]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0213]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。