基于OCT影像的支架检测与评估的深度学习方法及系统技术方案

本发明专利技术提供了一种基于OCT影像的支架检测与评估的深度学习方法及系统，所述深度学习方法包括以下步骤：获取待检测的冠状动脉光学相干断层扫描图像；根据支架标记模型获取所述待检测的冠状动脉OCT图像中的支架的位置；根据内壁标记模型获取所述待检测的冠状动脉OCT图像中的冠状动脉的内壁的位置；计算所述支架的中心与所述冠状动脉的内壁的最短距离并根据所述最短距离是否不大于第一距离阈值获得所述支架的贴壁情况或根据所述最短距离是否不大于第二距离阈值获得所述支架的覆盖情况；对所述支架的贴壁情况或覆盖情况进行显示。本发明专利技术提出的基于OCT影像的支架检测与评估的深度学习方法及系统，识别率较高、性能稳定、检测准确率较高。

Depth learning method and system for stent detection and evaluation based on OCT image

The present invention provides a method and a system for learning testing and evaluation support OCT images based on the depth of the deep learning method comprises the following steps: obtaining the coronary artery to detect optical coherence tomography; coronary artery stent according to the OCT model to obtain the image support marker to detect the position; according to the the inner wall of the position of OCT imaging of coronary artery wall model to obtain the marker to detect the coronary artery; the shortest distance between the inner wall of the calculation of the support center and the coronary artery and according to the shortest distance is not greater than the first distance threshold to obtain the support of attachment or coverage according to the the shortest distance is not more than second distance threshold obtained the stent; on the stent wall or cover display. The invention provides a deep learning method and system for detecting and evaluating a stent based on OCT images, which has high recognition rate, stable performance and high detection accuracy.

【技术实现步骤摘要】
基于OCT影像的支架检测与评估的深度学习方法及系统
本专利技术涉及医疗器械
，尤其涉及一种基于OCT影像的支架检测与评估的深度学习方法及系统。
技术介绍
冠状动脉粥样硬化性心脏病，简称“冠心病(CoronaryArteryDisease，CAD)”，是冠状动脉血管发生动脉粥样硬化病变而引起的血管狭窄或阻塞，造成心肌缺血、缺氧或坏死而导致的心脏病。目前，冠心病的主要治疗方法是经皮冠状动脉介入治疗，即向血管堵塞处植入支架。支架通常是用金属网状结构构成，支架经历了三代的变化，金属裸支架(BareMetalStent，BMS)，管腔再狭窄和内膜增生的风险高；药物洗脱支架(Drug-ElutingStent,DES)，作为金属裸支架的一种替代，可以显著减轻血管再狭窄率，但会引起晚期支架血栓和晚期获得性贴壁不良；生物可吸收支架(BioresorbableVascularScaffold，BVS)提供了临时的径向强度，避免了急性血管反冲和急性血管闭塞，在支架植入一段时间后，生物可吸收支架可被充分吸收从而使血管内血液流通顺畅。在冠心病介入治疗方面，生物可吸收支架将会得到越来越广泛的使用。术中支本文档来自技高网...

【技术保护点】
一种基于OCT影像的支架检测与评估的深度学习方法，其特征在于，所述深度学习方法包括以下步骤：获取待检测的冠状动脉OCT图像；根据支架标记模型获取所述待检测的冠状动脉OCT图像中的支架的位置；根据内壁标记模型获取所述待检测的冠状动脉OCT图像中的冠状动脉的内壁的位置；计算所述支架的中心与所述冠状动脉的内壁的最短距离并根据所述最短距离是否不大于第一距离阈值获得所述支架的贴壁情况、或根据所述最短距离是否不大于第二距离阈值获得所述支架的覆盖情况；对所述支架的贴壁情况或覆盖情况进行显示。

【技术特征摘要】
1.一种基于OCT影像的支架检测与评估的深度学习方法，其特征在于，所述深度学习方法包括以下步骤：获取待检测的冠状动脉OCT图像；根据支架标记模型获取所述待检测的冠状动脉OCT图像中的支架的位置；根据内壁标记模型获取所述待检测的冠状动脉OCT图像中的冠状动脉的内壁的位置；计算所述支架的中心与所述冠状动脉的内壁的最短距离并根据所述最短距离是否不大于第一距离阈值获得所述支架的贴壁情况、或根据所述最短距离是否不大于第二距离阈值获得所述支架的覆盖情况；对所述支架的贴壁情况或覆盖情况进行显示。2.根据权利要求1所述的深度学习方法，其特征在于，所述支架标记模型、内壁标记模型由以下步骤获得：获取样本冠状动脉OCT图像；对所述样本冠状动脉OCT图像进行训练得到支架标记模型和内壁标记模型。3.根据权利要求2所述的深度学习方法，其特征在于，对所述样本冠状动脉OCT图像进行训练得到支架标记模型和内壁标记模型步骤包括：对所述样本冠状动脉OCT图像依次交替进行n次卷积和n次池化，得到n个池化层A1,A2,......Ai,......An，i＝1～n；依次对n个池化层An,An-1,......Ai,......A1进行像素到像素的全卷积网络训练，得到n个上采样预测Bn,Bn-1,......Bi,......B1；依次对所述n个上采样预测Bn,Bn-1,......Bi,......B1进行类平衡校正，得到n个校正图；依次对所述n个校正图进行权重校正，得到n个校正权重；根据所述n个校正权重对所述n个校正图进行融合细化，获得支架标记模型和内壁标记模型。4.根据权利要求3所述的深度学习方法，其特征在于，当i＝1时，上采样预测Bn是由池化层An以步幅为2n进行上采样得到；当i＝2～n时，上采样预测Bn-i+1是由求和预测Cn-i+2以步幅为2n-i+1进行上采样得到，Cn-i+2由下式得到：Cn-i+2＝Dn-i+1+En-i+1其中，当i＝2时，Dn-1是由池化层An以步幅为2进行上采样得到；当i＝3～n时，Dn-i+1是由求和预测Cn-i+3以步幅为2进行上采样得到，En-i+1是由池化层An-i+1添加一个1×1卷积层得到。5.根据权利要求3所述的深度学习方法，其特征在于，获得支架标记模型和内壁标记模型后，所述深度学习方法还包括：根据所述支架标记模型、内壁标记模型获取所述样本冠状动脉OCT图像中的支架区域、内壁区域；判断所述支架区域、内壁区域是否与支架标记样本中的支架区域、内...

【专利技术属性】
技术研发人员：朱锐，曹一挥，
申请(专利权)人：深圳市中科微光医疗器械技术有限公司，
类型：发明
国别省市：广东,44