[发明专利]基于OCT影像的支架检测与评估的深度学习方法及系统

权利要求书

1.一种基于OCT影像的支架检测与评估的深度学习方法，其特征在于，所述深度学习方法包括以下步骤：

获取待检测的冠状动脉OCT图像；

根据支架标记模型获取所述待检测的冠状动脉OCT图像中的支架的位置；

根据内壁标记模型获取所述待检测的冠状动脉OCT图像中的冠状动脉的内壁的位置；

计算所述支架的中心与所述冠状动脉的内壁的最短距离并根据所述最短距离是否不大于第一距离阈值获得所述支架的贴壁情况、或根据所述最短距离是否不大于第二距离阈值获得所述支架的覆盖情况；

对所述支架的贴壁情况或覆盖情况进行显示。

2.根据权利要求1所述的深度学习方法，其特征在于，所述支架标记模型、内壁标记模型由以下步骤获得：

获取样本冠状动脉OCT图像；

对所述样本冠状动脉OCT图像进行训练得到支架标记模型和内壁标记模型。

3.根据权利要求2所述的深度学习方法，其特征在于，对所述样本冠状动脉OCT图像进行训练得到支架标记模型和内壁标记模型步骤包括：

对所述样本冠状动脉OCT图像依次交替进行n次卷积和n次池化，得到n个池化层A₁,A₂,......A_i,......A_n，i＝1～n；

依次对n个池化层A_n,A_n-1,......A_i,......A₁进行像素到像素的全卷积网络训练，得到n个上采样预测B_n,B_n-1,......B_i,......B₁；

依次对所述n个上采样预测B_n,B_n-1,......B_i,......B₁进行类平衡校正，得到n个校正图；

依次对所述n个校正图进行权重校正，得到n个校正权重；

根据所述n个校正权重对所述n个校正图进行融合细化，获得支架标记模型和内壁标记模型。

4.根据权利要求3所述的深度学习方法，其特征在于，

当i＝1时，上采样预测B_n是由池化层A_n以步幅为2ⁿ进行上采样得到；

当i＝2～n时，上采样预测B_n-i+1是由求和预测C_n-i+2以步幅为2^n-i+1进行上采样得到，C_n-i+2由下式得到：

C_n-i+2＝D_n-i+1+E_n-i+1

其中，当i＝2时，D_n-1是由池化层A_n以步幅为2进行上采样得到；当i＝3～n时，D_n-i+1是由求和预测C_n-i+3以步幅为2进行上采样得到，E_n-i+1是由池化层A_n-i+1添加一个1×1卷积层得到。

5.根据权利要求3所述的深度学习方法，其特征在于，获得支架标记模型和内壁标记模型后，所述深度学习方法还包括：

根据所述支架标记模型、内壁标记模型获取所述样本冠状动脉OCT图像中的支架区域、内壁区域；

判断所述支架区域、内壁区域是否与支架标记样本中的支架区域、内壁标记样本中的内壁区域一致，若所述支架区域、内壁区域与所述支架标记样本中的支架区域、内壁标记样本中的内壁区域一致，则存储所述支架标记模型和所述内壁标记模型。

6.根据权利要求3所述的深度学习方法，其特征在于，对所述校正图进行权重校正得到权重校正图步骤包括：

计算所述校正图的权重与权重阈值的差；

获取所述校正图的反向传播调权矩阵；

根据所述校正图的权重与权重阈值的差对所述反向传播调权矩阵进行更新并根据更新后的反向传播调权矩阵对所述校正图进行权重校正得到校正权重。