[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

说明书

一种基于深度迁移学习的血管内斑块属性分析方法，属于医学图像处理领域，具体涉及一种血管内斑块属性分析方法。本发明首先临床方式获取多模态血管内影像数据，人工标记血管内斑块的属性，然后对标记后的血管内影像进行预处理，将经预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；接着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，最后生成斑块种类概率图谱。本发明解决了现有方法耗费人力多、存在人为差异、速率低的问题。本发明可运用于血管图像处理。

技术领域

本发明属于医学图像处理领域，具体涉及一种血管内斑块属性分析方法。

背景技术

医学图像处理是随着计算机技术的发展和成熟以及临床诊断技术的进步而迅速发展起来的一门新兴学科与技术，如今医学图像处理技术的在临床上的应用越来越广泛。心脑血管疾病是致死率最高的一种疾病之一，因此在临床诊疗中越来越被重视，同时心脑血管疾病相关的技术也成为医学图像处理领域技术研发的热点和难点。血管损伤是常见的一种血管疾病，如脑血栓、脑出血、急性心肌梗死等都是由于血管破损或者损伤导致的危险性极高的急性病。其特点是发病紧急，可预见性弱。在发病前能够成功的预测出患者的血管易损程度，并采取积极的防御措施，将会挽救很多人的生命。

当今，临床上医生进行血管易损程度预测主要依赖于人工分析血管内影像数据特点，再结合其他相关检测数据，对血管易损程度进行测算。其中分析血管内影像数据获取的判别指标包括：血管形态、管径大小、管壁是否有斑块、以及斑块的成分和大小(具体包括是否包括钙化斑块、脂质斑块、纤维性斑块、伴随较薄纤维冒的脂质斑块、以及各种混合斑块等)。其中，血管内斑块属性分析属于其中的最重要的数据指标之一，同时也是分析的难点。

如今血管内斑块属性分析主要依赖于人工分析，采用人工分析的方式主要有如下缺点：(1)耗费大量人力；(2)存在人为差异，即同样的数据，不同人的测算结果却不同；(3)速率低。如何针对血管内影像数据自动化的准确预测完成血管内斑块属性分析是心脑血管领域亟需解决的问题。

发明内容

本发明为解决现有方法耗费大量人力、存在人为差异、速率低的问题，提供了一种基于深度迁移学习的血管内斑块属性分析方法。

本发明所述一种基于深度迁移学习的血管内斑块属性分析方法，通过以下技术方案实现：

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；

步骤三、对标记后的血管内影像进行预处理；

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；

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。

本发明与现有技术相比较，最为突出的特点和显著的有益效果是：