一种基于深度迁移学习的血管内斑块属性分析方法技术

一种基于深度迁移学习的血管内斑块属性分析方法，属于医学图像处理领域，具体涉及一种血管内斑块属性分析方法。本发明专利技术首先临床方式获取多模态血管内影像数据，人工标记血管内斑块的属性，然后对标记后的血管内影像进行预处理，将经预处理后的血管内影像数据作为深度卷积神经网络的输入，采用有监督的迁移学习方式进行深度卷积神经网络训练，并采用由基于反向传播算法的随机梯度下降方式进行网络参数的学习；接着采用训练好的多个跨模态的预测模型对步骤一中获取的血管内影像进行投票融合预测，最后生成斑块种类概率图谱。本发明专利技术解决了现有方法耗费人力多、存在人为差异、速率低的问题。本发明专利技术可运用于血管图像处理。

An intravascular patch attribute analysis method based on deep migration learning

An intravascular plaque property analysis method based on deep migration learning belongs to the field of medical image processing, and specifically relates to an intra plaque attribute analysis method. To obtain multimodal intravascular image data of the invention first clinical, properties of artificial markers of intravascular plaque, then the labeled intravascular image pretreatment, the pretreated intravascular image data as the depth of convolution of the input of the neural network, the migration way of learning has the supervision of deep convolutional neural network training, and the network parameters decreased from random gradient back-propagation algorithm based on learning; then using multiple cross modal prediction model is trained to obtain a voting fusion prediction step in intravascular imaging, the last generation of plaque type probability map. The present invention solves the problem that the existing methods consume more manpower, have human differences and have low speed. The invention can be used for vascular image processing.

【技术实现步骤摘要】
一种基于深度迁移学习的血管内斑块属性分析方法
本专利技术属于医学图像处理领域，具体涉及一种血管内斑块属性分析方法。
技术介绍
医学图像处理是随着计算机技术的发展和成熟以及临床诊断技术的进步而迅速发展起来的一门新兴学科与技术，如今医学图像处理技术的在临床上的应用越来越广泛。心脑血管疾病是致死率最高的一种疾病之一，因此在临床诊疗中越来越被重视，同时心脑血管疾病相关的技术也成为医学图像处理领域技术研发的热点和难点。血管损伤是常见的一种血管疾病，如脑血栓、脑出血、急性心肌梗死等都是由于血管破损或者损伤导致的危险性极高的急性病。其特点是发病紧急，可预见性弱。在发病前能够成功的预测出患者的血管易损程度，并采取积极的防御措施，将会挽救很多人的生命。当今，临床上医生进行血管易损程度预测主要依赖于人工分析血管内影像数据特点，再结合其他相关检测数据，对血管易损程度进行测算。其中分析血管内影像数据获取的判别指标包括：血管形态、管径大小、管壁是否有斑块、以及斑块的成分和大小(具体包括是否包括钙化斑块、脂质斑块、纤维性斑块、伴随较薄纤维冒的脂质斑块、以及各种混合斑块等)。其中，血管内斑块属性分析属于其中的最重本文档来自技高网...

【技术保护点】
一种基于深度迁移学习的血管内斑块属性分析方法，其特征在于，所述方法包括以下步骤：步骤一、临床方式获取多模态血管内影像数据，具体包括血管内超声图像和血管内OCT图像，其中多模态是指不同的成像手段获取的血管内壁影像，OCT即光学相干断层成像；步骤二、人工标记血管内斑块的属性：医生根据获取的血管内影像数据的影像特征，判定血管内斑块属性，将血管内斑块分类，并对图像进行标记；步骤三、对标记后的血管内影像进行预处理；步骤四、将经步骤三处理后的血管内影像数据作为深度卷积神经网络的输入，采用有监督的迁移学习方式进行深度卷积神经网络训练，并采用由基于反向传播算法的随机梯度下降方式进行网络参数的学习；步骤五、采用...

【技术特征摘要】
1.一种基于深度迁移学习的血管内斑块属性分析方法，其特征在于，所述方法包括以下步骤：步骤一、临床方式获取多模态血管内影像数据，具体包括血管内超声图像和血管内OCT图像，其中多模态是指不同的成像手段获取的血管内壁影像，OCT即光学相干断层成像；步骤二、人工标记血管内斑块的属性：医生根据获取的血管内影像数据的影像特征，判定血管内斑块属性，将血管内斑块分类，并对图像进行标记；步骤三、对标记后的血管内影像进行预处理；步骤四、将经步骤三处理后的血管内影像数据作为深度卷积神经网络的输入，采用有监督的迁移学习方式进行深度卷积神经网络训练，并采用由基于反向传播算法的随机梯度下降方式进行网络参数的学习；步骤五、采用训练好的多个跨模态的预测模型对步骤一中获取的血管内影像进行投票融合预测，并输出每个血管内斑块类别的概率；步骤六、生成斑块种类概率图谱，通过可视化的方式辅助血管斑块分析。2.根据权利要求1所述的一种基于深度迁移学习的血管内斑块属性分析方法，其特征在于，步骤三中所述对血管内影像进行预处理的过程具体包括以下步骤：步骤三一、将8位灰度的标记后的血管内影像转化为24位三通道，采用复制通道的方式实现；步骤三二、采用去噪声方法对步骤三一转化后的血管内超声图像以及血管内OCT图像数据进行去噪声处理；步骤三三、对经过去噪声处理后的血管内超声图像以及OCT图像数据进行多尺度的滤波，多尺度的表达血管内影像数据中包含的信息，挖掘血管内影像数据的固有特征。3.根据权利要求2所述的一种基于深度迁移学习的血管内斑块属性分析方法，其特征在于，步骤三二中所述去噪声方法优选为均值滤波方法或高斯平滑滤波方法。4.根据权利要求2所述的一种基于深度迁移学习的血管内斑块属性分析方法，其特征在于，步骤三三中所述滤波方法优选为拉普拉斯滤波方法或伽柏滤波方法。5.根据权利要求1或2所述的一种基于深度迁移学习的血管内斑块属性分析方法，其特征在于，步骤四中所述有监督的迁移学习方式进行深度卷积神经网络训练具体包括以下步骤：步骤四一、在大规模自然场景图像分类任务上进行模型的预训练，获得预训练模型参数；步骤四二、用预训练模型初始化深度卷积神经网络除最后一个全连接层之外...

【专利技术属性】
技术研发人员：王宽全，骆功宁，董素宇，束磊，张恒贵，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23