[发明专利]一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法

权利要求书

1.一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，其特征在于：该方法包括以下步骤：

1)数据获取：使用医院采集的冠脉OCT图像作为数据集，数据集中包含了含纤维化斑块、钙化斑块和脂质斑块；将采集的图像数据集划分为训练集和测试集；

2)数据预处理：将原始冠脉OCT图像裁剪到合适大小,并对训练集中的图像进行旋转和翻转的数据增强操作；

3)构建模型：

3.1)在原始U-Net模型基础上，在编码器的末端加入空间金字塔模块，通过采用不同大小的池化操作进一步编码从编码器中提取的目标特征，实现多尺度特征提取；

3.2)对各层编码器的输出执行多尺度空洞卷积操作，再与解码器特征拼接，在保留空间信息的同时下，提取多尺度聚合信息；

4)模型训练：采用PyTorch深度学习框架搭建训练模型，采用Focal Loss损失函数进行模型训练，经过多轮迭代，调整模型参数，提高模型的分割精度；

5)模型评估：采用整体评价指标mIOU和各分类评价指标F1 Score，在模型测试集上完成模型性能的评估，同时与其他病变斑块分割模型进行比较评估。

2.根据权利要求1所述的基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，其特征在于：所述步骤1)中是将采集的图像数据集按照7:3的比例划分为训练集和测试集。

3.根据权利要求1或2所述的基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，其特征在于：所述步骤2)的具体步骤是将原始冠脉OCT图像裁剪为415x415大小，利用数据增强方法，先对样本进行旋转90°、180°和270°的操作，样本数量变为原来的4倍，再对样本进行水平和垂直翻转操作。

4.根据权利要求3所述的基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，其特征在于：所述步骤3.2)的具体步骤如下：多尺度空洞卷积模块含有四个级联分支，包含扩张率为1，3，5的空洞卷积和3x3的最大池化，另外，还使用快捷连接添加了原始特征；随着扩张率的变化，每个分支的感受野也不断变化，通常，小感受野对于小目标和浅层特征提取更友好，而大感受野则更利于大目标提取和生成更抽象的特征；通过组合不同扩张率的空洞卷积，将不同的感受野相加，在保留各层编码器输出的空间信息的同时下，实现多尺度目标的特征的提取。

5.根据权利要求4所述的基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，其特征在于：所述步骤4)中Focal Loss的公式如下：

pt＝e^-CE(x)

Focal Loss＝-(1-pt)^γ×α×log(pt)

其中y_i为第i个类别对应的真实标签，f_i(x)为对应的经过softmax后的预测结果,C为类别总数，α为类别权重，γ为样本难度权重调因子。

6.根据权利要5所述的基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，其特征在于：所述步骤5)中F1Score的具体公式如下

其中，TN表示正样本数，TP表示负样本数，FP表示假阳性数，FN表示假阴性数。

7.根据权利要5所述的基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，其特征在于：所述步骤5)中mIOU的具体公式如下：

其中，TN表示正样本数，TP表示负样本数，FP表示假阳性数，FN表示假阴性数,mIOU是基于类进行计算的，将每一类的IOU计算之后累加，再进行平均，得到的就是基于全局的评价。