[發明專利]基于OCT影像的支架檢測與評估的深度學習方法及系統

在審

• 申請號: 201710082012.7
• 申請日: 2017-02-15
• 公開（公告）號: CN106875445A
• 公開（公告）日: 2017-06-20
• 發明（設計）人: 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
• 主分類號: G06T7/70
• 分類號: G06T7/70
• 代理公司: 深圳市銘粵知識產權代理有限公司44304
• 代理人: 孫偉峰

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,......A_i,......A_n，i＝1～n；

依次對n個池化層A_n,A_n-1,......A_i,......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B_n,B_n-1,......B_i,......B₁；

依次對所述n個上采樣預測B_n,B_n-1,......B_i,......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B_n是由池化層A_n以步幅為2ⁿ進行上采樣得到；

當i＝2～n時，上采樣預測B_n-i+1是由求和預測C_n-i+2以步幅為2^n-i+1進行上采樣得到，C_n-i+2由下式得到：

C_n-i+2＝D_n-i+1+E_n-i+1

其中，當i＝2時，D_n-1是由池化層A_n以步幅為2進行上采樣得到；當i＝3～n時，D_n-i+1是由求和預測C_n-i+3以步幅為2進行上采樣得到，E_n-i+1是由池化層A_n-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。

6.根據權利要求3所述的深度學習方法，其特征在于，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。