[发明专利]一种基于深度迁移学习的血管内斑块属性分析方法

权利要求书

1.一种基于深度迁移学习的血管内斑块属性分析方法，其特征在于，所述方法包括以下步骤：

步骤一、临床方式获取多模态血管内影像数据，具体包括血管内超声图像和血管内OCT图像，其中多模态是指不同的成像手段获取的血管内壁影像，OCT即光学相干断层成像；

步骤二、人工标记血管内斑块的属性：医生根据获取的血管内影像数据的影像特征，判定血管内斑块属性，将血管内斑块分类，并对图像进行标记；

所述血管内斑块包括钙化斑块、脂质斑块、纤维性斑块、伴随较薄纤维冒的脂质斑块、以及各种混合斑块；

步骤三、对标记后的血管内影像进行预处理；

步骤三中对血管内影像进行预处理的过程具体包括以下步骤：

步骤三一、将8位灰度的标记后的血管内影像转化为24位三通道，采用复制通道的方式实现；

步骤三二、采用去噪声方法对步骤三一转化后的血管内超声图像以及血管内OCT图像数据进行去噪声处理；

步骤三三、对经过去噪声处理后的血管内超声图像以及OCT图像数据进行多尺度的滤波，多尺度的表达血管内影像数据中包含的信息，挖掘血管内影像数据的固有特征；

步骤四、将经步骤三处理后的血管内影像数据作为深度卷积神经网络的输入，采用有监督的迁移学习方式进行深度卷积神经网络训练，并采用由基于反向传播算法的随机梯度下降方式进行网络参数的学习；

所述有监督的迁移学习方式进行深度卷积神经网络训练具体包括以下步骤：

步骤四一、在大规模自然场景图像分类任务上进行模型的预训练，获得预训练模型参数；

步骤四二、用预训练模型初始化深度卷积神经网络除最后一个全连接层之外的每层的参数，在此基础上进行调优训练；

步骤四三、采用有监督的学习方法对预测模型进行训练；通过反向传播算法进行模型的求解，得到血管内斑块类别的概率预测模型；

步骤四二中所述深度卷积神经网络包括输入层、卷积层、Batch-Normalization层、Pooling层、卷积层、Pooling层、dropout层、全连接层以及输出层；

步骤四三中所述有监督的学习方法对预测模型进行训练具体为：

步骤四三一、将步骤一中获取的血管内影像数据作为样本集合(X,Y)，其中的第i个训练样本为(Xⁱ,Yⁱ)；i表示训练样本的序号，X代表输入图像序列集合，Y表示理想输出，Xⁱ表示图像序列集合中的第i个样本，Yⁱ表示图像序列集合中的第i个样本的预测结果；

步骤四三二、计算深度卷积神经网络的实际输出O，在此阶段，信息从输入层将X作为输入，经过逐级的变换，传送到输出层；在此过程中，网络执行的计算是：O＝F_n(…(F₂(F₁(X*W₁)W₂)…)Wn)；其中F_n表示网络的层级，W₁表示第F₁层权值矩阵，W₂表示第F₂层权值矩阵，Wn表示第F_n层权值矩阵；

采用反向传播算法优化每层的权值，计算实际输出O与相应的理想输出Y的损失函数loss；按极小化误差的方法反向传播调整权值矩阵Wn；

loss的具体公式如下：

其中m表示训练样本的总个数，i∈{1,...,m}，j代表斑块属性类别序号，j∈{1,…,l}，l表示斑块属性类别总数；

其中函数F_j(Xⁱ)的计算公式如下：

其中S为中间变量，f_j(Xⁱ)的计算公式如下：

f_j(Xⁱ)＝P(Yⁱ＝j|Xⁱ；θ)

P(Yⁱ＝j|Xⁱ；θ)代表网络在参数θ的情况下，Xⁱ为第j类斑块的输出概率值；

步骤五、采用训练好的多个跨模态的预测模型对步骤一中获取的血管内影像进行投票融合预测，并输出每个血管内斑块类别的概率；

步骤六、生成斑块种类概率图谱，通过可视化的方式辅助血管斑块分析。