一种基于相邻帧一致性的冠状动脉内膜边界分割方法

技术特征：
1.一种基于相邻帧一致性的冠状动脉内膜边界分割方法，其特征在于，包括以下步骤：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；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；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；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。2.根据权利要求1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，其特征在于，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：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；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；得到相邻帧补充关系。3.根据权利要求2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，其特征在于，所述相邻帧信息补充模块公式表示如下：c
a,b
(i,j；f
a
,f
b
)＝maxσ(f
a
(i,j),f
b
(i,j))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；f
a
,f
b
)表示邻帧中像素点f
a
(i,j)和f
b
(i,j)的最大一致性。4.根据权利要求3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，其特征在于，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：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。5.根据权利要求4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，其特征在于，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：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；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；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。6.根据权利要求5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，其特征在于，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。

技术总结
本发明公开了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：获取待测OCT图像并输入至深度学习网络；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；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；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。通过使用本发明，能够快速精准地分割出冠状动脉内膜边界。本发明作为一种基于相邻帧一致性的冠状动脉内膜边界分割方法，可广泛应用于医学图像处理领域。像处理领域。像处理领域。


技术研发人员：张贺晔 高智凡 冯天元
受保护的技术使用者：中山大学
技术研发日：2022.03.03
技术公布日：2022/6/10