一种基于相邻帧一致性的冠状动脉内膜边界分割方法

1.本发明涉及医学图像处理领域，尤其涉及一种基于相邻帧一致性的冠状动脉内膜边界分割方法。


背景技术：

2.冠状动脉血管的内膜的识别是临床上量化冠状动脉切面数据的第一步。量化的血管指标是指导临床诊断的重要参考指标，是识别易损斑块，评价介入治疗效果和药物洗脱支架术后内膜覆盖情况的第一步。所以准确识别出冠状动脉的内膜对冠状动脉疾病患者的诊断十分重要。临床上，光学相干断层图像(optical coherence tomography，oct)技术可以清晰展现出冠状动脉的横截面以及内部结构，所以oct图像在临床上被广泛应用于探测冠状动脉内膜。但是临床中医生手动分割oct图像中的冠状动脉内膜和外膜是十分耗时和低效的。


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供一种基于相邻帧一致性的冠状动脉内膜边界分割方法，能够快速精准地分割出冠状动脉内膜边界。
4.本发明所采用的第一技术方案是：一种基于相邻帧一致性的冠状动脉内膜边界分割方法，包括以下步骤：
5.获取待测oct图像并输入至深度学习网络；
6.所述深度学习网络包括多尺度密集链接的空洞卷积模块和相邻帧信息补充模块；
7.基于多尺度密集链接的空洞卷积模块，提取图像特征并建立光学相干断层图像和冠状动脉内膜的对应关系；
8.基于相邻帧信息补充模块计算光学相干断层图像中相邻帧的一致性，并获取相邻帧补充关系；
9.根据光学相干断层图像和冠状动脉内膜的对应关系、相邻帧补充关系，输出内膜边界分割边界结果。
10.进一步，所述基于相邻帧信息补充模块计算光学相干断层图像中相邻帧的一致性，并获取相邻帧补充关系这一步骤，其具体包括：
11.基于相邻帧信息补充模块计算相邻帧特征之间的余弦相似度矢量图；
12.根据相邻帧特征之间的余弦相似度矢量图判断对应光学相干断层图像中相邻帧的一致性；
13.得到相邻帧补充关系。
14.进一步，所述相邻帧信息补充模块公式表示如下：
15.c
a,b
(i,j；fa,fb)＝max σ(fa(i,j),fb(i,j))
16.上式中，σ表示两个相邻帧特征之间的余弦相似度矢量图，c
a,b
(i,j；fa,fb)表示邻帧中像素点fa(i,j)和fb(i,j)的最大一致性。
17.进一步，所述获取待测oct图像并输入至深度学习网络这一步骤之前，还包括：
18.构建训练数据集并基于训练数据集对深度学习网络进行训练，得到训练完成的深度学习网络。
19.进一步，所述构建训练数据集并基于训练数据集对深度学习网络进行训练，得到训练完成的深度学习网络这一步骤，其具体包括：
20.搜集不同健康状况的oct图像及对应的冠状动脉内膜分割结果，作为训练数据集；
21.基于训练数据集，以不同健康状况的oct图像为输入，对应的冠状动脉内膜分割结果为输出，训练深度学习网络；
22.调整深度学习网络的网络参数，直至误差率达到预设范围，得到训练完成的深度学习网络。
23.进一步，所述深度学习网络的网络参数包括卷积层数、空洞卷积层数、bn层数、relu层数、池化层数、上采样层数、输出层数、初始权值和偏置值。
24.本发明方法的有益效果是：本发明通过利用深度学习网络的自学习能力，建立oct图像与冠状动脉的内膜分割结果之间的对应关系，并确定与当前图像特征对应的当前冠状动脉的内膜分割结果，提升了冠状动脉的内膜分割过程的效率，分割结果更准确，实现相邻帧特征的补充，丰富当前帧的特征且可扩展性强。
附图说明
25.图1是本发明一种基于相邻帧一致性的冠状动脉内膜边界分割方法；
26.图2是本发明具体实施例深度学习网络的结构示意图；
27.图3是本发明具体实施例多尺度密集链接的空洞卷积模块的结构示意图；
28.图4是本发明具体实施例相邻帧信息补充模块的结构示意图；
29.图5是本发明具体实施例分割结果示意图。
具体实施方式
30.下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
31.如图1所示，本发明提供了一种基于相邻帧一致性的冠状动脉内膜边界分割方法，该方法包括以下步骤：
32.s0、构建训练数据集并基于训练数据集对深度学习网络进行训练，得到训练完成的深度学习网络。
33.s0.1、搜集不同健康状况的oct图像及对应的冠状动脉内膜分割结果，作为训练数据集；
34.s0.2、基于训练数据集，以不同健康状况的oct图像为输入，对应的冠状动脉内膜分割结果为输出，训练深度学习网络；
35.s0.3、调整深度学习网络的网络参数，直至误差率达到预设范围，得到训练完成的深度学习网络。
36.所述深度学习网络的网络参数包括卷积层数、空洞卷积层数、bn层数、relu层数、
池化层数、上采样层数、输出层数、初始权值和偏置值。
37.具体地，选取若干志愿者的oct图像序列及冠状动脉内膜和外膜分割结果作为样本数据，对神经网络进行学习和训练，通过调整网络结构及网络节点间的权值，使神经网络拟合oct图像及冠状动脉内膜分割结果之间的关系，最终使神经网络能准确拟合出不同患者的oct图像序列及冠状动脉内膜分割结果的对应关系。
38.s1、获取待测oct图像并输入至深度学习网络；
39.s2、所述深度学习网络包括多尺度密集链接的空洞卷积模块和相邻帧信息补充模块；
40.s3、基于多尺度密集链接的空洞卷积模块，提取图像特征并建立光学相干断层图像和冠状动脉内膜的对应关系；
41.具体地，特征包括高层次的抽象冠状动脉内膜特征和高层次的抽象冠状动脉内膜特征。
42.所述s110多尺度的密集链接的空洞卷积模块用于建立oct图像和冠状动脉内膜的对应关系，子网络结构参照图3所示。cn1×
n1(n2)@n3表示步长为n2，卷积核为n3的n1×
n1的卷积操作；dn1×
n1(n2rn4)@n3表示步长为n2，卷积核为n3，空洞因子为n4的n1×
n1的空洞卷积操作
43.其中，n1，n2，n3，以及n4表示为图中对应位置的数字。
44.s4、基于相邻帧信息补充模块计算光学相干断层图像中相邻帧的一致性，并获取相邻帧补充关系；
45.s4.1、基于相邻帧信息补充模块计算相邻帧特征之间的余弦相似度矢量图；
46.s4.2、根据相邻帧特征之间的余弦相似度矢量图判断对应光学相干断层图像中相邻帧的一致性；
47.s4.3、得到相邻帧补充关系。
48.具体地，相邻帧信息补充模块的自网络结构图参照图4，公式表示如下
49.c
a,b
(i,j；fa,fb)＝max σ(fa(i,j),fb(i,j))
50.上式中，σ表示两个相邻帧特征之间的余弦相似度矢量图，c
a,b
(i,j；fa,fb)表示邻帧中像素点fa(i,j)和fb(i,j)的最大一致性。
51.c
*a,b
(i,j；fa,fb,ya,yb)＝max σ(fa(i,j),fb(i,j))
52.c
*a,b
(i,j；fa,fb)表示经过分割结果ya，yb监督的相邻像素点的最大一致性。
53.s5、根据光学相干断层图像和冠状动脉内膜的对应关系、相邻帧补充关系，输出内膜边界分割边界结果。
54.为了量化两帧分割决策的感知一致性，计算c
a,b
(i,j；fa,fb)和c
*a,b
(i,j；fa,fb)的比例，并且融合到相邻帧上。
[0055][0056]
ρ(
·
)表示每帧与相邻帧的相似性，h是图像帧的高度，w表示图像帧的宽度，)表示每帧与相邻帧的相似性，h是图像帧的高度，w表示图像帧的宽度，表示不同帧的一致性的均值。
[0057]
一种基于相邻帧一致性的冠状动脉内膜边界分割方法，包括：
[0058]
训练模块，用于构建训练数据集并基于训练数据集对深度学习网络进行训练，得到训练完成的深度学习网络；
[0059]
获取模块，用于获取待测oct图像并输入至深度学习网络，所述深度学习网络包括多尺度密集链接的空洞卷积模块和相邻帧信息补充模块；
[0060]
多尺度密集链接的空洞卷积模块，用于提取图像特征并建立光学相干断层图像和冠状动脉内膜的对应关系；
[0061]
相邻帧信息补充模块，用于计算光学相干断层图像中相邻帧的一致性，并获取相邻帧补充关系；
[0062]
输出模块，用于根据光学相干断层图像和冠状动脉内膜的对应关系、相邻帧补充关系，输出内膜边界分割边界结果。
[0063]
一种基于相邻帧一致性的冠状动脉内膜边界分割装置：
[0064]
至少一个处理器；
[0065]
至少一个存储器，用于存储至少一个程序；
[0066]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于相邻帧一致性的冠状动脉内膜边界分割方法。
[0067]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0068]
一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于相邻帧一致性的冠状动脉内膜边界分割方法。
[0069]
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0070]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。