一种血管内超声影像的血管中内膜分割方法技术

本发明专利技术公开了一种血管内超声影像的血管中内膜分割方法，包括步骤：S1.收集血管内超声图像数据，并对每幅血管内超声图像中的中内膜区域进行标注；S2.对训练集图像进行极坐标变换；S3.计算标记图的边缘距离图；S4.设定滑动采样窗口并确定窗口大小和滑动步长；S5.构建并训练FusionNet深度学习分割模型；S6.输入新数据并得到分割结果。本发明专利技术方法能够快速、准确、有效地提取血管中内膜区域。

【技术实现步骤摘要】
一种血管内超声影像的血管中内膜分割方法
本专利技术涉及图像处理的
，尤其是指一种基于深度学习的血管内超声影像的血管中内膜分割方法。
技术介绍
目前，心血管疾病已经成为威胁人类健康的最重要因素之一。其中冠状动脉粥样硬化是引发此类疾病的重要诱因，如果可以在早期诊断中对动脉粥样硬化进行识别和诊断，对冠脉疾病的诊疗是有重大的意义。目前临床上采用的血管内超声(IntravascularUltrasound，IVUS)是一种能够实时显示血管壁和血管斑块形态状况的超声诊断方法。目前临床上对采集的IVUS影像，医生主要关注的感兴趣区域(ROI)是血管中内膜区域，，在实际诊断过程中医生往往需要根据经验进行人工目测血管管腔轮廓和边缘，这样不可避免的造成结果的主观性，同时也会增加临床工作的负担。因此采用计算机辅助诊断提供实时准确的中内膜分割显得尤为必要。血管内超声影像存在以下特点：(1)超声斑点较多，图像分辨率低；(2)中内膜边界模糊；(3)存在因支架及运动而导致的伪影；(4)中内膜间的斑块成分复杂，影像表现不一。因此，IVUS影像中的血管内膜精确分割存在很大挑战。血管内超声影像的中内膜分割算法中，本文档来自技高网...

【技术保护点】
一种血管内超声影像的血管中内膜分割方法，其特征在于，包括以下步骤：S1.收集血管内超声图像数据，并对每幅血管内超声图像中的中内膜区域进行标注，具体如下：假设总共收集了血管内超声图像Ii，i∈[1,…,M]，其中M为图像总数，对每个Ii让临床医生标注中内膜区域后有一个对应的标注图Li，选取Ii和Li中五分之四构成训练集Train，五分之一构成独立测试集Test；S2.对训练集图像进行极坐标变换对训练集Train中的每张图片以图像中心为原点进行极坐标变换；S3.计算标记图的边缘距离图根据标注图Li计算每幅图的边缘距离图，即图像中每个像素点到离它最近的边缘像素点之间的距离值组成的二维矩阵图，对二维矩...

【技术特征摘要】
1.一种血管内超声影像的血管中内膜分割方法，其特征在于，包括以下步骤：S1.收集血管内超声图像数据，并对每幅血管内超声图像中的中内膜区域进行标注，具体如下：假设总共收集了血管内超声图像Ii，i∈[1,…,M]，其中M为图像总数，对每个Ii让临床医生标注中内膜区域后有一个对应的标注图Li，选取Ii和Li中五分之四构成训练集Train，五分之一构成独立测试集Test；S2.对训练集图像进行极坐标变换对训练集Train中的每张图片以图像中心为原点进行极坐标变换；S3.计算标记图的边缘距离图根据标注图Li计算每幅图的边缘距离图，即图像中每个像素点到离它最近的边缘像素点之间的距离值组成的二维矩阵图，对二维矩阵图进行归一化处理，所有值的大小限定为[0,1]；S4.设定滑动采样窗口并确定窗口大小和滑动步长根据血管中内膜层厚选择所需的滑动窗口大小，根据归一化边缘距离图和窗口内中内膜感兴趣区域的占比来自适应确定滑动步长，将每个滑动采样窗口得到的图像和对应的标记图重新构成新的训练集Patch；S5.构建并训练FusionNet深度学习分割模型构建FusionNet深度学习分割模型，该分割模型包含一个输入节点和两个输出节点，输入节点为经过步骤S4后的训练集Patch，两个输出节点分别对应分割的背景和目标区域；S6.输入新数据并得到分割结果将待分割的血管内超声图像输入FusionNet深度学习分割模型中，将输出节点中的目标区域通过极坐标反变换得到可视化的分割结果。2.根据权利要求1所述的一种血管内超声影像的血管中内膜分割方法，其特征在于，在步骤S2中，极坐标变换过程如下：对于N×N大小的图像，设图像上(N/2+1,N/2+1)的点作为图像中心O，以O为原点建立直角坐标系，对图像中任意的坐标为(x,y)的点根据以下公式进行极坐标变换：其中，ρ是坐标到中心的距离，最大值ρmax是极坐标变换后的极径，θ是坐标的相位角，最大值θmax代表的是极角，设为360度，极径和极角也是变换后新图像的长和宽。3.根据权利要求1所述的一种血管内超声影像的血管中内膜分割方法，其特征在于...

【专利技术属性】
技术研发人员：郭圣文，吴宇鹏，任力，黄美萍，梁稳生，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44