[發明專利]OCT影像下冠狀動脈管腔輪廓的深度網絡分割方法

在審

• 申請號: 202110638265.4
• 申請日: 2021-06-08
• 公開（公告）號: CN113362332A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 孫玉寶;陳思華;吳敏;喬馨霆;陳勛豪
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04;G06N3/08;G06T7/181
• 代理公司: 南京匯盛專利商標事務所(普通合伙) 32238
• 代理人: 張立榮;裴詠萍

1.OCT影像下冠狀動脈管腔輪廓的深度網絡分割方法，其特征在于，所述分割方法采用雙支路深度卷積網絡結構，一條支路分割OCT影像對應的管腔區域掩膜，另一條支路預測管腔內壁輪廓，兩個任務之間進行聯合學習，耦合后的結果即為最終的分割輪廓。

2.根據權利要求1所的深度網絡分割方法，其特征在于，包括以下步驟：

S101、采集冠狀動脈OCT影像切片掃描序列，構建OCT影像下冠狀動脈數據集；對每張OCT圖像切片的輪廓區域與管腔內壁輪廓進行標注，并生成對應的二值化掩碼圖；

S102、對S101中冠狀動脈OCT影像切片與對應的二值化掩碼圖分別進行預處理操作，再分別將預處理后的OCT圖像切片和對應的二值化掩碼圖按照6:2:2的比例劃分為訓練集、驗證集和測試集；

S103、采用雙支路深度卷積網絡分割模型，利用S102中的訓練集和驗證集進行訓練；

S104、訓練完成后，從測試集中任選一張冠狀動脈OCT影像切片，輸入雙支路深度卷積網絡分割模型，加載訓練好的模型權重進行分割，生成管腔/背景的概率圖譜，分割出冠狀動脈OCT影像切片的血管內壁，并生成分割后的二值化掩碼圖。

3.根據權利要求2所述的深度網絡分割方法，其特征在于，所述S103中的雙支路深度卷積網絡分割模型包括：

編碼器，縮小給定的輸入特征圖尺度，提取OCT圖像的不同尺度特征；

解碼器，擴大編碼器輸出的特征圖尺度至與輸入特征圖尺度相同，輸出多尺度融合特征；

雙支路聯合分割，輸出概率圖譜。

4.根據權利要求3所述的深度網絡分割方法，其特征在于，所述S103中的雙支路深度卷積網絡分割模型中編碼器和解碼器中的尺度數均為4個；給定的輸入特征圖先經4個編碼器塊逐級降低特征圖尺寸，后通過4解碼器塊逐級擴大特征圖尺寸直至與輸入尺寸相同，再經3×3卷積進行通道數降維，最后將特征圖分為兩條支路，經過聯合處理，將分割結果進行耦合，生成最終網絡輸出結果。

5.根據權利要求4所述的深度網絡分割方法，其特征在于，每個編碼器塊由兩個卷積核大小為(3x3)的卷積層與一個max pool層構成，用于提取圖像語義特征；每個解碼器由兩個卷積核為(3x3)卷積層與一個卷積核為(2x2)的反卷積層構成，用于擴大神經元感受野以獲取高階語義信息。

6.根據權利要求4所述的深度網絡分割方法，其特征在于，所述聯合處理包括以下步驟：對其中一條支路首先使用1×1卷積進行特征學習，預測血管區域，并進行canny邊緣檢測得到血管輪廓，另一條支路使用1×1卷積直接檢測血管輪廓，并經兩條通路檢測的的血管內部輪廓進行耦合，在損失函數的統一約束下進行耦合學習，使其貼近真實標注結果。

7.根據權利要求6所述的深度網絡分割方法，其特征在于，所述損失函數為L＝L_B+L_M，L_M為Dice coefficient函數，L_B為binary cross entropy函數；

Dice coefficient是用以評估兩個樣本集p與q的相似度，其值介于0和1之間，表示為：

binary cross entropy函數對預測結果進行約束，其表達式為：

其中，output_size為像素個數，為網絡預測的類別，y_i為真實類別。

8.根據權利要求7所述的深度網絡分割方法，其特征在于，所述S102中預處理操作包括調整窗寬值、窗位值和歸一化。

9.根據權利要求8所述的深度網絡分割方法，其特征在于，所述S103訓練時采用隨機梯度優化器進行優化學習，并設置相關的超參數，包括學習率、批尺寸、動量和權重衰減系數。