[发明专利]一种基于人工智能的多模态医学影像的转换方法

说明书

本发明公开了一种基于人工智能的多模态医学影像的转换方法，主要涉及医学影像领域。包括获取主动脉夹层的OCT图像数据；获取主动脉夹层的IVUS图像数据；分别对OCT图像数据和IVUS图像数据的背景采用全局阈值分割的方法，提取主动脉的外轮廓，并利用形态学孔洞填充和面积阈值方法将噪声信息进行清理；通过离散余弦变换的频域信息融合方法，将OCT图像数据和IVUS图像数据进行图像信息融合，获得融合图像。本发明的有益效果在于：它结合多种模态的胸主动脉夹层图像，将超声图像中的结构特征融合到OCT图像中，并在融合的多模态图像中有效的增强真腔、假腔和血栓的特征。

技术领域

本发明涉及医学影像领域，具体是一种基于人工智能的多模态医学影像的转换方法。

背景技术

近年来，随着多种医学成像技术(CT.MRI.Utrasound.PET、OCT、Microscop等)的迅速发展，并已经被广泛应用于疾病的早期检测、诊断和治疗中，致使临床中，影像学专家每天需要面临大量的患者医学影像数据，单纯的依靠人工阅读和判定这些影像数据，不仅耗时费力，同时带有主观性。因此，计算机辅助诊断技术成为解决该问题的一个有力措施。尤其是，最近几年兴起的一种机器学习方法“深度学习”的引入，逐渐加快了现代计算机医学影像计算和分析迈入智能化和精确化的步伐。

胸主动脉夹层是一个很险恶的、凶险的心血管疾病，它的致残和致死率很高。有统计数据表明，一旦发现急性胸部夹层动脉瘤，尤其是Ⅰ型的夹层动脉瘤，如果不予以积极的处理，它的一个月的死亡率能达到70％-80％。胸主动脉夹层是指在主动脉壁存在或不存在自身病变的基础上，并在一系列可能外因(如高血压、外伤等)的作用下导致主动脉内膜撕裂，血液由内膜撕裂口进入主动脉壁中层，造成主动脉中层沿长轴分离，管腔呈现真假两腔的一种病理状态。夹层好发部位在主动脉根部至左锁骨下动脉开口以远的弧形区域。该病起病突然，患者会出现剧烈疼痛、休克和压迫症状。少数患者由于心脏压塞、大量出血、恶性高血压、严重的主动脉瓣反流和心肌、中枢神经和肾脏的持续性缺血等，可致迅速死亡。故及时的诊断和治疗，对患者的生命和生活质量具有至关重要的作用。

现在对于胸主动脉夹层的检查一般要辅助胸部的医学影像。例如CT、X线、核磁共振等。其中，OCT已经成为血管腔内成像分辨率最高的新兴成像方式，逐渐在胸主动脉夹层疾病的诊断中凸显其其重要地位。但是，考虑到胸主动脉夹层中会存在假腔、真腔和血栓多种复杂的解剖学结构，同时由于动脉壁三层组织结构的特点，在OCT成像中会存在反向散射，造成信号的衰减和渗透，同时存在散斑噪声的干扰，最终形成弱边缘现象，这给OCT图像的自动化分割带来了研究的难点。

发明内容

本发明的目的在于提供一种基于人工智能的多模态医学影像的转换方法，它结合多种模态的胸主动脉夹层图像，将超声图像中的结构特征融合到OCT图像中，并在融合的多模态图像中有效的增强真腔、假腔和血栓的特征。

本发明为实现上述目的，通过以下技术方案实现：

一种基于人工智能的多模态医学影像的转换方法，包括：

获取主动脉夹层的OCT图像数据；

获取主动脉夹层的IVUS图像数据；

分别对OCT图像数据和IVUS图像数据的背景采用全局阈值分割的方法，提取主动脉的外轮廓，并利用形态学孔洞填充和面积阈值方法将噪声信息进行清理；

通过离散余弦变换的频域信息融合方法，将OCT图像数据和IVUS图像数据进行图像信息融合，获得融合图像。

所述获取主动脉夹层的OCT图像数据，为采用激光波长λ为924纳米，纵向分辨率为7微米，穿透能力1.725毫米进行获取。