[发明专利]心血管光学相干断层OCT图像易损斑块自动识别方法

说明书

一种心血管光学相干断层OCT图像易损斑块自动识别方法，包括如下步骤：a)采集心血管OCT图像；b)对心血管OCT图像进行标准化处理；c)将标准化处理后的图像进行易损斑块识别处理，d)采用栈式自编码方法对样本集构造深度学习模型：e)进行分类识别；f)采用双线性插值方法进行笛卡尔坐标系转换；g)将坐标系转换后的图像进行划分象限；h)判断划分象限后的图像中的同一个象限是否存在两个及以上的连通区域。结合心血管OCT图像特点，重新构造样本数据集，克服样本数量有限的问题。另外，学习模型往往受训练集影响，本发明多次随机抽取数据集中的样本来训练学习模型，并通过投票策略形成集成学习模型。通过大量实验证明，该技术能够取得较高的识别精度。

技术领域

本发明涉及图像分析和机器学习技术领域，具体涉及一种心血管光学相干断层OCT图像易损斑块自动识别方法。

背景技术

心血管疾病是导致发病和死亡的主要原因，随着图像分析和机器学习技术进步，心血管疾病诊断治疗得到了快速发展。光学相干断层成像技术(Optical CoherenceTomography，OCT)是一种新兴的医学成像技术，在临床上受到了广泛应用。该技术也在心血管成像方面得到应用，能够区分血管壁结构，准确地显示粥样硬化斑块特征，识别易损斑块等，在心血管病变诊断、识别、治疗和评估方面起到了非常重要的作用。

在冠心病介入治疗前，需要发现易损斑块、辨别红血栓、识别钙化斑块范围等。图像的识别和解读很大程度上依赖于医生的经验，而且医生之间也存在主观差异。心血管OCT图像解读比较复杂，医生的时间占用比较多，图像的结果不能在手术室实时地反映出来，正是因为这些问题，希望通过人工智能技术来帮助医生精准快速的读图、识图、给出病变的情况。

近几年，深度神经网络在人工神经网络的研究基础上，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据内部复杂的结构特征。深度学习在计算机视觉领域的广泛应用促进了其在医学图像分析与识别的发展。而在医学图像分析领域，标记样本数量有限，给深度学习用于医学图像分析带来了很大挑战。

目前，通过调查研究发现，国内外尚未出现采用人工智能技术实现心血管OCT图像易损斑块的自动识别技术。

发明内容

本发明为了克服以上技术的不足，提供了一种构造大量样本的数据集，克服少量训练样本的问题的心血管光学相干断层OCT图像易损斑块自动识别方法。

本发明克服其技术问题所采用的技术方案是：

一种心血管光学相干断层OCT图像易损斑块自动识别方法，包括如下步骤：

a)采集心血管OCT图像；

b)对心血管OCT图像进行标准化处理；

c)将标准化处理后的图像进行易损斑块识别处理，将OCT图像(I∈R^M×W)的每列分为易损斑块和非易损斑块，将OCT图像每列(x∈R^M)定义为一个样本，从而形成的数据集为：

S＝{(x_i,y_i)|x_i∈R^M,y_i∈Y,i＝1,...,N}

其中K为向量x_i对应的类标签，M为图像的高度，W为图像的宽度，样本集为X＝{x_i|i＝1,...,N}，标签集Y＝{y_i|i＝1,...,N,y_i＝1,...,K}，N为样本总数；

d)采用栈式自编码方法对样本集构造深度学习模型：

d-1)将构造的样本集作为栈式自编码网络的输入数据；