[发明专利]基于深度学习的血管内超声图像处理方法、装置、设备和存储介质

说明书

本发明公开了一种血管内超声图像处理方法、装置、设备和存储介质。其中，血管内超声图像处理方法，包括如下步骤：获取血管内超声图像并进行标注形成训练数据集，然后将所述血管内超声图像输入深度神经网络图像分割模型，得到血管壁分割结果，所述深度神经网络模型基于8层U‑Net模型训练得到。本发明提供的血管内超声图像处理方法、装置、设备和存储介质，能够避免人为分割带来的误差与精度缺失，精度更好，效率更高、鲁棒性更强。

技术领域

本申请涉及医疗图像处理技术领域，特别是涉及一种血管内超声图像处理方法、装置、设备和存储介质。

背景技术

中国心血管患病率及死亡率非常高，心血管患病人数2.9亿，心血管病死亡率占疾病死亡率40％以上，位列首位。血管内超声(intravascular ultrasound，IVUS)通过导管技术将微型超声探头送入血管腔内，显示血管横截面图像，从而提供血管腔内影像。

正常冠状动脉的血管壁由具有不同回声特性的层状结构组成，在IVUS上通常呈现3层结构：内层代表内膜和内弹力膜，表现为纤薄的白色回声带；中层为中间无回声层(黑色或暗灰色)，代表中膜；外层有特征性的“洋葱皮”样表现，代表外膜和外膜周围的组织。血管的外膜边界通常无法识别，主要是由于外膜和周围组织无明显的回声差异。值得注意的是，IVUS上的3层结构并不真正代表血管的3层结构，仅有两个清楚的界面与组织学对应，为管腔-内膜交界面和中膜-外膜交界面。

IVUS通常将斑块内的回声与血管周围代表外膜或外膜周围组织的回声进行比较，来确定斑块的“软硬”程度，据此可分为：(1)低回声斑块。也就是通常所说的软斑块，通常提示斑块的脂质含量较多，斑块内的坏死带、斑块内容物溢出后留下的空腔、壁内出血、血肿或血栓等也可表现为低回声。(2)等回声斑块。通常提示纤维斑块，其回声与外膜类似。(3)高回声斑块。提示钙化，表现为回声超过周围的外膜组织，并伴有下方的声影。混合性斑块指斑块含有1种以上回声特性的组织，也有将其描述为纤维钙化斑块或纤维脂质斑块。

IVUS能够精确测定管腔、血管直径、判断病变严重程度及性质，在提高对冠状动脉病变的认识和指导介入治疗方面起了非常重要的作用。临床医生需要花费大量时间分析数百帧的IVUS图像以便对病情做出判断，肉眼识别、手动勾勒内膜管腔、斑块和中-外膜区域，费时费力，存在一定的人为误差，精度难以得到保证。

发明内容

本发明提供了一系列基于深度神经网络的血管内超声图像处理方法，用于自动获取血管壁分割结果。包括：

获取血管内超声图像；

将所述血管内超声图像输入深度神经网络模型，得到血管壁分割结果，所述深度神经网络模型基于8层U-Net模型训练得到。

以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。

可选地，所述8层U-Net模型的训练图像集的获取方式包括如下步骤：

获取若干血管内超声图像并相应进行标注，组成初始图像集；

训练过程中每次迭代时，将初始图像集中的每幅血管内超声图像通过N次变换得到N幅增强图像，N≥6，每次变换包括依次进行的随机旋转和随机翻转；

为初始图像和增强图像分别添加坐标信息后，共同组成训练图像集。

可选地，所述随机旋转时旋转角度为90度、180度或270度；所述随机翻转为上下翻转或左右翻转。

可选地，所述8层U-Net模型包括下采样路径和上采样路径：