基于OCT影像的支架檢測與評估的深度學習方法及系統技術方案

本發明專利技術提供了一種基于OCT影像的支架檢測與評估的深度學習方法及系統，所述深度學習方法包括以下步驟：獲取待檢測的冠狀動脈光學相干斷層掃描圖像；根據支架標記模型獲取所述待檢測的冠狀動脈OCT圖像中的支架的位置；根據內壁標記模型獲取所述待檢測的冠狀動脈OCT圖像中的冠狀動脈的內壁的位置；計算所述支架的中心與所述冠狀動脈的內壁的最短距離并根據所述最短距離是否不大于第一距離閾值獲得所述支架的貼壁情況或根據所述最短距離是否不大于第二距離閾值獲得所述支架的覆蓋情況；對所述支架的貼壁情況或覆蓋情況進行顯示。本發明專利技術提出的基于OCT影像的支架檢測與評估的深度學習方法及系統，識別率較高、性能穩定、檢測準確率較高。

Depth learning method and system for stent detection and evaluation based on OCT image

The present invention provides a method and a system for learning testing and evaluation support OCT images based on the depth of the deep learning method comprises the following steps: obtaining the coronary artery to detect optical coherence tomography; coronary artery stent according to the OCT model to obtain the image support marker to detect the position; according to the the inner wall of the position of OCT imaging of coronary artery wall model to obtain the marker to detect the coronary artery; the shortest distance between the inner wall of the calculation of the support center and the coronary artery and according to the shortest distance is not greater than the first distance threshold to obtain the support of attachment or coverage according to the the shortest distance is not more than second distance threshold obtained the stent; on the stent wall or cover display. The invention provides a deep learning method and system for detecting and evaluating a stent based on OCT images, which has high recognition rate, stable performance and high detection accuracy.

【技術實現步驟摘要】
基于OCT影像的支架檢測與評估的深度學習方法及系統
本專利技術涉及醫療器械
，尤其涉及一種基于OCT影像的支架檢測與評估的深度學習方法及系統。
技術介紹
冠狀動脈粥樣硬化性心臟病，簡稱“冠心病(CoronaryArteryDisease，CAD)”，是冠狀動脈血管發生動脈粥樣硬化病變而引起的血管狹窄或阻塞，造成心肌缺血、缺氧或壞死而導致的心臟病。目前，冠心病的主要治療方法是經皮冠狀動脈介入治療，即向血管堵塞處植入支架。支架通常是用金屬網狀結構構成，支架經歷了三代的變化，金屬裸支架(BareMetalStent，BMS)，管腔再狹窄和內膜增生的風險高；藥物洗脫支架(Drug-ElutingStent,DES)，作為金屬裸支架的一種替代，可以顯著減輕血管再狹窄率，但會引起晚期支架血栓和晚期獲得性貼壁不良；生物可吸收支架(BioresorbableVascularScaffold，BVS)提供了臨時的徑向強度，避免了急性血管反沖和急性血管閉塞，在支架植入一段時間后，生物可吸收支架可被充分吸收從而使血管內血液流通順暢。在冠心病介入治療方面，生物可吸收支架將會得到越來越廣泛的使用。術中支架的貼壁情況以及術后支架的覆蓋的程度與血栓等不良事件的發生有關，因此在支架植入過程中，臨床醫生需要判斷支架是否貼壁良好，在術后隨訪時，也要判斷支架的覆蓋的程度。血管內光學相干斷層掃描(IntravascularOpticalCoherenceTomography，IVOCT)由于其分辨率達到了微米級，其軸向分辨率可達5-15um，縱向分辨率約為25um，探測深度約為2mm，是目前評估術中支架的貼壁情況以及術后支架的覆蓋情況的最好的技術手段。但是，在臨床應用中，由于IVOCT影像分辨率高，對一段四厘米的支架掃描就會產生200多張圖像，如果要定量地評估術中支架的貼壁情況以及術后支架的覆蓋情況，一方面，需要醫生花費大量的時間和精力來分析、判斷IVOCT圖像；另一方面，無法滿足臨床中實時分析的需求，且無法建立統一的臨床標準。因此，有必要對支架的貼壁情況以及術后支架的覆蓋情況實現自動檢測，從而對基線支架的貼壁情況以及隨訪支架的覆蓋情況進行定量分析和判斷。目前，已有的自動檢測支架的方法都是基于圖像灰度、梯度特征，這些基于圖像灰度、梯度特征的方法存在設計復雜、性能不穩定、識別率低。
技術實現思路
為了解決上述問題，本專利技術提出一種基于OCT影像的支架檢測與評估的深度學習方法及系統，能夠自動檢測支架和內壁的位置并獲得支架的貼壁情況或支架的覆蓋情況，檢測準確率較高。本專利技術提出的具體技術方案為：提供一種基于OCT影像的支架檢測與評估的深度學習方法，所述深度學習方法包括以下步驟：獲取待檢測的冠狀動脈光學相干斷層掃描(OpticalCoherenceTomography，OCT)圖像；根據支架標記模型獲取所述待檢測的冠狀動脈OCT圖像中的支架的位置；根據內壁標記模型獲取所述待檢測的冠狀動脈OCT圖像中的冠狀動脈的內壁的位置；計算所述支架的中心與所述冠狀動脈的內壁的最短距離并根據所述最短距離是否不大于第一距離閾值獲得所述支架的貼壁情況、或根據所述最短距離是否不大于第二距離閾值獲得所述支架的覆蓋情況；對所述支架的貼壁情況或覆蓋情況進行顯示。進一步地，所述支架標記模型、內壁標記模型由以下步驟獲得：獲取樣本冠狀動脈OCT圖像，所述樣本冠狀動脈OCT圖像中包括支架標記樣本和內壁標記樣本；對所述樣本冠狀動脈OCT圖像進行訓練得到支架標記模型和內壁標記模型。進一步地，對所述樣本冠狀動脈OCT圖像進行訓練得到支架標記模型和內壁標記模型步驟包括：對所述樣本冠狀動脈OCT圖像依次交替進行n次卷積和n次池化，得到n個池化層A1,A2,......Ai,......An，i＝1～n；依次對n個池化層An,An-1,......Ai,......A1進行像素到像素的全卷積網絡訓練，得到n個上采樣預測Bn,Bn-1,......Bi,......B1；依次對所述n個上采樣預測Bn,Bn-1,......Bi,......B1進行類平衡校正，得到n個校正圖；依次對所述n個校正圖進行權重校正，得到n個校正權重；根據所述n個校正權重對所述n個校正圖進行融合細化，獲得支架標記模型和內壁標記模型。進一步地，當i＝1時，上采樣預測Bn是由池化層An以步幅為2n進行上采樣得到；當i＝2～n時，上采樣預測Bn-i+1是由求和預測Cn-i+2以步幅為2n-i+1進行上采樣得到，Cn-i+2由下式得到：Cn-i+2＝Dn-i+1+En-i+1其中，當i＝2時，Dn-1是由池化層An以步幅為2進行上采樣得到；當i＝3～n時，Dn-i+1是由求和預測Cn-i+3以步幅為2進行上采樣得到，En-i+1是由池化層An-i+1添加一個1×1卷積層得到。進一步地，獲得支架標記模型和內壁標記模型后，所述深度學習方法還包括：根據所述支架標記模型、內壁標記模型獲取所述樣本冠狀動脈OCT圖像中的支架區域、內壁區域；判斷所述支架區域、內壁區域是否與支架標記樣本中的支架區域、內壁標記樣本中的內壁區域一致，若所述支架區域、內壁區域與所述支架標記樣本中的支架區域、內壁標記樣本中的內壁區域一致，則存儲所述支架標記模型和所述內壁標記模型。進一步地，對所述校正圖進行權重校正得到權重校正圖步驟包括：計算所述校正圖的權重與權重閾值的差；獲取所述校正圖的反向傳播調權矩陣；根據所述校正圖的權重與權重閾值的差對所述反向傳播調權矩陣進行更新并根據更新后的反向傳播調權矩陣對所述校正圖進行權重校正得到校正權重。進一步地，所述支架的中心的計算公式為：其中，ni為第i個支架內的像素點總數，xij、yij分別為第i個支架內的第j個像素點的橫坐標、縱坐標。本專利技術還提供了一種基于OCT影像的支架檢測與評估的深度學習系統，所述深度學習系統包括依次連接的探測單元、光信號處理單元、數據處理單元及顯示單元，所述數據處理單元包括：圖像獲取模塊，用于獲取待檢測的冠狀動脈OCT圖像；支架檢測模塊，用于根據支架標記模型獲取所述待檢測的冠狀動脈OCT圖像中的支架的位置；內壁檢測模塊，用于根據內壁標記模型獲取所述待檢測的冠狀動脈OCT圖像中的冠狀動脈的內壁的位置；計算模塊，用于計算所述支架的中心與所述冠狀動脈的內壁的最短距離并根據所述最短距離是否不大于第一距離閾值獲得所述支架的貼壁情況、或根據所述最短距離是否不大于第二距離閾值獲得所述支架的覆蓋情況；圖像輸出模塊，用于將所述支架的貼壁情況或覆蓋情況發送給所述顯示單元進行顯示。進一步地，所述數據處理單元還包括：樣本輸入模塊，用于獲取樣本冠狀動脈OCT圖像，所述樣本冠狀動脈OCT圖像中包括支架標記樣本和內壁標記樣本；訓練模塊，用于對所述樣本冠狀動脈OCT圖像進行訓練得到支架標記模型和內壁標記模型。進一步地，所述訓練模塊包括：卷積/池化模塊，用于對所述樣本冠狀動脈OCT圖像進行卷積和池化得到特征圖；反卷積層模塊，用于對所述特征圖進行上采樣得到上采樣圖；校正模塊，用于對所述上采樣圖進行類平衡校正得到校正圖；權重校正模塊，用于對所述校正圖進行權重校正得到權重校正圖；細化模塊，用于對所述權重校正圖進行細化處理獲得支架標記模型和內壁本文檔來自技高網...

【技術保護點】
一種基于OCT影像的支架檢測與評估的深度學習方法，其特征在于，所述深度學習方法包括以下步驟：獲取待檢測的冠狀動脈OCT圖像；根據支架標記模型獲取所述待檢測的冠狀動脈OCT圖像中的支架的位置；根據內壁標記模型獲取所述待檢測的冠狀動脈OCT圖像中的冠狀動脈的內壁的位置；計算所述支架的中心與所述冠狀動脈的內壁的最短距離并根據所述最短距離是否不大于第一距離閾值獲得所述支架的貼壁情況、或根據所述最短距離是否不大于第二距離閾值獲得所述支架的覆蓋情況；對所述支架的貼壁情況或覆蓋情況進行顯示。

【技術特征摘要】
1.一種基于OCT影像的支架檢測與評估的深度學習方法，其特征在于，所述深度學習方法包括以下步驟：獲取待檢測的冠狀動脈OCT圖像；根據支架標記模型獲取所述待檢測的冠狀動脈OCT圖像中的支架的位置；根據內壁標記模型獲取所述待檢測的冠狀動脈OCT圖像中的冠狀動脈的內壁的位置；計算所述支架的中心與所述冠狀動脈的內壁的最短距離并根據所述最短距離是否不大于第一距離閾值獲得所述支架的貼壁情況、或根據所述最短距離是否不大于第二距離閾值獲得所述支架的覆蓋情況；對所述支架的貼壁情況或覆蓋情況進行顯示。2.根據權利要求1所述的深度學習方法，其特征在于，所述支架標記模型、內壁標記模型由以下步驟獲得：獲取樣本冠狀動脈OCT圖像；對所述樣本冠狀動脈OCT圖像進行訓練得到支架標記模型和內壁標記模型。3.根據權利要求2所述的深度學習方法，其特征在于，對所述樣本冠狀動脈OCT圖像進行訓練得到支架標記模型和內壁標記模型步驟包括：對所述樣本冠狀動脈OCT圖像依次交替進行n次卷積和n次池化，得到n個池化層A1,A2,......Ai,......An，i＝1～n；依次對n個池化層An,An-1,......Ai,......A1進行像素到像素的全卷積網絡訓練，得到n個上采樣預測Bn,Bn-1,......Bi,......B1；依次對所述n個上采樣預測Bn,Bn-1,......Bi,......B1進行類平衡校正，得到n個校正圖；依次對所述n個校正圖進行權重校正，得到n個校正權重；根據所述n個校正權重對所述n個校正圖進行融合細化，獲得支架標記模型和內壁標記模型。4.根據權利要求3所述的深度學習方法，其特征在于，當i＝1時，上采樣預測Bn是由池化層An以步幅為2n進行上采樣得到；當i＝2～n時，上采樣預測Bn-i+1是由求和預測Cn-i+2以步幅為2n-i+1進行上采樣得到，Cn-i+2由下式得到：Cn-i+2＝Dn-i+1+En-i+1其中，當i＝2時，Dn-1是由池化層An以步幅為2進行上采樣得到；當i＝3～n時，Dn-i+1是由求和預測Cn-i+3以步幅為2進行上采樣得到，En-i+1是由池化層An-i+1添加一個1×1卷積層得到。5.根據權利要求3所述的深度學習方法，其特征在于，獲得支架標記模型和內壁標記模型后，所述深度學習方法還包括：根據所述支架標記模型、內壁標記模型獲取所述樣本冠狀動脈OCT圖像中的支架區域、內壁區域；判斷所述支架區域、內壁區域是否與支架標記樣本中的支架區域、內...

【專利技術屬性】
技術研發人員：朱銳，曹一揮，
申請(專利權)人：深圳市中科微光醫療器械技術有限公司，
類型：發明
國別省市：廣東,44