[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

说明书

本发明涉及一种基于改进U‑Net网络的冠脉OCT图像病变斑块分割方法。本发明的方法具体步骤如下：1)数据获取；2)数据预处理；3)构建模型；4)模型训练；5)模型评估。本发明向U‑Net模型中引入空间金字塔模块和多尺度空洞卷积模块，可以在保留足够的空间信息的同时，捕获更多高级特征，以提高病变斑块的分割精度。

技术领域

本发明涉及生物医学图像处理分割的技术，具体是一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法。

背景技术

光学相干断层成像(OCT)是一种非接触、高分辨率层析和生物显微镜成像设备，目前已被广泛应用于冠状动脉粥样硬化斑块评估、优化和指导冠心病介入治疗以及冠状动脉动脉支架植入术后随访多个方面。然而，对于一组完整的冠脉OCT结果序列，其基本情况测量及图像解读需要有经验的临床医生花费一定的时间才能精确评估其结果的临床意义。因此，实现冠脉OCT图像病变斑块的自动化、精细化评估，以提高医生的诊疗效率是一件刻不容缓的事情。

目前，传统分割方法通过提取图像纹理特征实现斑块的分类，因纹理特征仅表示了图像局部区域的特征信息，分割效果欠佳。基于U-Net网络及其改进的系列方法为了提取更高级的特征表达，采用了连续卷积和池化操作，导致图像空间信息的丢失，斑块分割精度不高。本文通过在U-Net网络中引入空间金字塔模块与多尺度空洞卷积模块，在保留足够的空间信息的同时捕获更多高级特征，让网络能够更好地完成病变斑块分割。

发明内容

为解决背景技术中存在的上述技术问题，本发明提供一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，向U-Net模型中引入空间金字塔模块和多尺度空洞卷积模块，可以在保留足够的空间信息的同时，捕获更多高级特征，以提高病变斑块的分割精度。

本发明的技术解决方案是：本发明为一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法，其特殊之处在于：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。

进一步的，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。

进一步的，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。