[發(fā)明專利]一種基于深度遷移學(xué)習(xí)的血管內(nèi)斑塊屬性分析方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711024432.6
• 申請(qǐng)日: 2017-10-27
• 公開（公告）號(hào): CN107730497B
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計(jì)）人: 駱功寧;董素宇;王瑋;束磊;王寬全;張恒貴
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 岳泉清

一種基于深度遷移學(xué)習(xí)的血管內(nèi)斑塊屬性分析方法，屬于醫(yī)學(xué)圖像處理領(lǐng)域，具體涉及一種血管內(nèi)斑塊屬性分析方法。本發(fā)明首先臨床方式獲取多模態(tài)血管內(nèi)影像數(shù)據(jù)，人工標(biāo)記血管內(nèi)斑塊的屬性，然后對(duì)標(biāo)記后的血管內(nèi)影像進(jìn)行預(yù)處理，將經(jīng)預(yù)處理后的血管內(nèi)影像數(shù)據(jù)作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入，采用有監(jiān)督的遷移學(xué)習(xí)方式進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并采用由基于反向傳播算法的隨機(jī)梯度下降方式進(jìn)行網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)；接著采用訓(xùn)練好的多個(gè)跨模態(tài)的預(yù)測(cè)模型對(duì)步驟一中獲取的血管內(nèi)影像進(jìn)行投票融合預(yù)測(cè)，最后生成斑塊種類概率圖譜。本發(fā)明解決了現(xiàn)有方法耗費(fèi)人力多、存在人為差異、速率低的問題。本發(fā)明可運(yùn)用于血管圖像處理。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)圖像處理領(lǐng)域，具體涉及一種血管內(nèi)斑塊屬性分析方法。

背景技術(shù)

醫(yī)學(xué)圖像處理是隨著計(jì)算機(jī)技術(shù)的發(fā)展和成熟以及臨床診斷技術(shù)的進(jìn)步而迅速發(fā)展起來的一門新興學(xué)科與技術(shù)，如今醫(yī)學(xué)圖像處理技術(shù)的在臨床上的應(yīng)用越來越廣泛。心腦血管疾病是致死率最高的一種疾病之一，因此在臨床診療中越來越被重視，同時(shí)心腦血管疾病相關(guān)的技術(shù)也成為醫(yī)學(xué)圖像處理領(lǐng)域技術(shù)研發(fā)的熱點(diǎn)和難點(diǎn)。血管損傷是常見的一種血管疾病，如腦血栓、腦出血、急性心肌梗死等都是由于血管破損或者損傷導(dǎo)致的危險(xiǎn)性極高的急性病。其特點(diǎn)是發(fā)病緊急，可預(yù)見性弱。在發(fā)病前能夠成功的預(yù)測(cè)出患者的血管易損程度，并采取積極的防御措施，將會(huì)挽救很多人的生命。

當(dāng)今，臨床上醫(yī)生進(jìn)行血管易損程度預(yù)測(cè)主要依賴于人工分析血管內(nèi)影像數(shù)據(jù)特點(diǎn)，再結(jié)合其他相關(guān)檢測(cè)數(shù)據(jù)，對(duì)血管易損程度進(jìn)行測(cè)算。其中分析血管內(nèi)影像數(shù)據(jù)獲取的判別指標(biāo)包括：血管形態(tài)、管徑大小、管壁是否有斑塊、以及斑塊的成分和大小(具體包括是否包括鈣化斑塊、脂質(zhì)斑塊、纖維性斑塊、伴隨較薄纖維冒的脂質(zhì)斑塊、以及各種混合斑塊等)。其中，血管內(nèi)斑塊屬性分析屬于其中的最重要的數(shù)據(jù)指標(biāo)之一，同時(shí)也是分析的難點(diǎn)。

如今血管內(nèi)斑塊屬性分析主要依賴于人工分析，采用人工分析的方式主要有如下缺點(diǎn)：(1)耗費(fèi)大量人力；(2)存在人為差異，即同樣的數(shù)據(jù)，不同人的測(cè)算結(jié)果卻不同；(3)速率低。如何針對(duì)血管內(nèi)影像數(shù)據(jù)自動(dòng)化的準(zhǔn)確預(yù)測(cè)完成血管內(nèi)斑塊屬性分析是心腦血管領(lǐng)域亟需解決的問題。

發(fā)明內(nèi)容

本發(fā)明為解決現(xiàn)有方法耗費(fèi)大量人力、存在人為差異、速率低的問題，提供了一種基于深度遷移學(xué)習(xí)的血管內(nèi)斑塊屬性分析方法。

本發(fā)明所述一種基于深度遷移學(xué)習(xí)的血管內(nèi)斑塊屬性分析方法，通過以下技術(shù)方案實(shí)現(xiàn)：

步驟一、臨床方式獲取多模態(tài)血管內(nèi)影像數(shù)據(jù)，具體包括血管內(nèi)超聲圖像和血管內(nèi)OCT圖像，其中多模態(tài)是指不同的成像手段獲取的血管內(nèi)壁影像，OCT即光學(xué)相干斷層成像；

步驟二、人工標(biāo)記血管內(nèi)斑塊的屬性：醫(yī)生根據(jù)獲取的血管內(nèi)影像數(shù)據(jù)的影像特征，判定血管內(nèi)斑塊屬性，將血管內(nèi)斑塊分類，并對(duì)圖像進(jìn)行標(biāo)記；

步驟三、對(duì)標(biāo)記后的血管內(nèi)影像進(jìn)行預(yù)處理；

步驟四、將經(jīng)步驟三處理后的血管內(nèi)影像數(shù)據(jù)作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入，采用有監(jiān)督的遷移學(xué)習(xí)方式進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并采用由基于反向傳播算法的隨機(jī)梯度下降方式進(jìn)行網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)；

步驟五、采用訓(xùn)練好的多個(gè)跨模態(tài)的預(yù)測(cè)模型對(duì)步驟一中獲取的血管內(nèi)影像進(jìn)行投票融合預(yù)測(cè)，并輸出每個(gè)血管內(nèi)斑塊類別的概率；

步驟六、生成斑塊種類概率圖譜，通過可視化的方式輔助血管斑塊分析。

本發(fā)明與現(xiàn)有技術(shù)相比較，最為突出的特點(diǎn)和顯著的有益效果是：