一种基于心血管IVOCT图像的组织分类方法和装置制造方法及图纸

本发明专利技术涉及一种基于心血管IVOCT图像的组织分类方法和装置，其中，所述方法包括：步骤1、获取多个已标记的IVOCT图像；步骤2、建立IVOCT图像样本集，将所述IVOCT图像样本集分为训练样本集和测试样本集；步骤3、构建卷积神经网络结构；步骤4、利用所述训练样本集对所述卷积神经网络进行训练，以获取CNN模型；步骤5、将所述测试样本集输入所述CNN模型，获取不同组织对应的组织类型图。本发明专利技术实施例中，CNN模型具有两个输出端，分别对组织的轮廓和内部结构进行分别显示，解决了现有技术中，输出图像的分辨率略小，部分图像信息损失后，导致组织边界显示不清楚的技术问题。

A tissue classification method and device based on cardiovascular IVOCT images

The invention relates to an organization classification method and device based on a cardiovascular IVOCT image, wherein the method comprises: Step 1, obtaining a plurality of labeled IVOCT images; step 2, establishing a IVOCT image sample set, dividing the sample set of the IVOCT image into a training sample set and a test sample set; step 3, building a convolution neural network. The collaterals structure; step 4, training the convolution neural network by using the set of training samples to obtain the CNN model; step 5, input the test sample set into the CNN model, and obtain the pattern of the organization type corresponding to the different organizations. In the embodiment of the invention, the CNN model has two output terminals, which respectively display the outline of the organization and the internal structure respectively. In the existing technology, the resolution of the output image is slight, and the loss of some image information leads to the technical problem that the organization boundary is not clear.

【技术实现步骤摘要】
一种基于心血管IVOCT图像的组织分类方法和装置
本专利技术属于生物组织成像技术，具体涉及一种基于心血管IVOCT图像的组织分类方法和装置。
技术介绍
活检是一种常见的医学检验，病理学医师在显微镜下观察从受试者处取得的组织样本，以确定疾病性质或程度。一般来说，需要将组织切成极薄的切片并且染色，然后才能在显微镜下进行观察。光学相干断层扫描技术(OCT)是一种无损光学成像模式的替代方案，无需染色也能够提供活检样品组织的三维高清图像。光学相干显微镜(OCM)结合了OCT和共焦显微镜的优点，提供高分辨率细胞图像。正常的动脉具有由内膜、中膜和外膜构成的均匀层状结构，但当血管发生病变时，血管内则会包含不同类型组织，因此，需要对该些不同组织进行分类和检测，然而，直至目前为止，对这些组织的检测以及分类还主要依赖人工，非常的费时。现有技术中提出了一种用于生物医学图像分割的卷积网络，该方法采用一个收缩路径来捕捉内容，一个放大路径来精准定位，两个路径构成U形，称为U-Net，但U-Net最终输出的图片分辨率会略小于原图，导致图像信息损失，不能真实还原组织结构。因此，设计一种能够自动检测节省人力，且能够减少图像信息损失的组织分类方法是本领域的技术热点。
技术实现思路
针对以上存在的问题，本专利技术提出了一种基于心血管IVOCT图像的组织分类方法和装置，具体的实施方式如下。本专利技术实施例提供一种基于心血管IVOCT图像的组织分类方法，其中，所述方法包括：步骤1、获取多个已标记的IVOCT图像；步骤2、建立IVOCT图像样本集，将所述IVOCT图像样本集分为训练样本集和测试样本集；步骤3、构建卷积神经网络结构；步骤4、利用所述训练样本集对所述卷积神经网络进行训练，以获取CNN模型；步骤5、将所述测试样本集输入所述CNN模型，获取不同组织对应的组织类型图。在本专利技术的一个实施例中，所述步骤2包括，步骤21、分别对每一张所述已标记的IVOCT图像进行多种形式的变换，以获取多张变换后的图像，将多张所述变换后的图像中的每一张设为一个样本；其中，所述多种形式的变换包括剪裁、平移、翻转、旋转、变形和灰度值变化中的一种或者组合；步骤22、将所述多个样本设为所述IVOCT图像样本集。在本专利技术的一个实施例中，所述步骤4之前还包括：根据病变血管包含的组织类型设置训练标签，所述训练标签包括分割标签和边界标签，所述分割标签和所述边界标签均用于对所述卷积神经网络进行训练。在本专利技术的一个实施例中，所述病变血管包含的组织类型包括N种，相应地，设置训练标签，包括：设置N种分割标签和N种边界标签，其中N为大于1的正整数。在本专利技术的一个实施例中，所述CNN模型包括输入端、第一输出端和第二输出端；所述第一输出端用于输出N张分割图；所述第二输出端用于输出N张边界图；所述分割图用于显示经过所述输入端输入的心血管IVOCT图像中所包含的组织类型的结构；所述边界图用于显示经过所述输入端输入的心血管IVOCT图像中所包含的组织类型的轮廓；其中，所述分割图和所述边界图均为二值图。在本专利技术的一个实施例中，所述步骤5之后还包括：步骤6、将每一种组织类型对应的所述分割图和所述边界图进行叠加，以获取所述组织类型的结构图；步骤7、将不同组织类型的所述结构图进行组合，以获取所述心血管组织分类图。本专利技术的另一个实施例提供一种基于心血管IVOCT图像的组织分类装置，包括数字信号处理单元及存储单元，所述存储单元用于存储处理指令，其中，所述处理指令被所述数字信号处理单元执行，实现如上述任一项方法中的步骤。本专利技术的有益效果为：1、通过建立卷积神经网络结构，使其具有一个收缩路径和两个扩张路径，构成横向Y形网络结构，然后通过网络训练，优化CNN模型，本专利技术实施例中，CNN模型具有两个输出端，分别对组织的轮廓和内部结构进行分别显示，解决了现有技术中，输出图像的分辨率略小，部分图像信息损失后，导致组织边界显示不清楚的技术问题。2、本专利技术针对于心血管IVOCT图像的组织分类，建立新的优化CNN模型，通过第一输出端输出心血管IVOCT图像中不同类型的组织的结构，第二输出端输出心血管中不同类型的组织的边界轮廓，使得每一种组织的边界和轮廓分别显示，然后将边界图和分割图进行叠加构成完整的组织结构图，弥补了输出图像分辨率降低带来的图像信息损失，组织结构还原度高，图像显示效果更好。附图说明图1为本专利技术实施例提供的组织分类方法的流程图；图2为本专利技术实施例提供的卷积神经网络的结构图；图3(a)为本专利技术实施例提供的CNN模型的示意图；图3(b)为本专利技术实施例提供的CNN模型的使用虚拟图；图4(a)为本专利技术实施例提供的CNN模型的输入端输入的心血管IVOCT图像；图4(b)为本专利技术实施例提供的CNN模型的第一输出端输出的组织分割图；图4(c)为本专利技术实施例提供的CNN模型的第二输出端输出的组织边界图；图5为本专利技术实施例提供的组合后的心血管组织分类图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。实施例一如图1-图5所示，图1为本专利技术实施例提供的组织分类方法的流程图；图2为本专利技术实施例提供的卷积神经网络的结构图；图3(a)为本专利技术实施例提供的CNN模型的示意图；图3(b)为本专利技术实施例提供的CNN模型的使用虚拟图；图4(a)为本专利技术实施例提供的CNN模型的输入端输入的心血管IVOCT图像；图4(b)为本专利技术实施例提供的CNN模型的第一输出端输出的组织分割图；图4(c)为本专利技术实施例提供的CNN模型的第二输出端输出的组织边界图；图5为本专利技术实施例提供的组合后的心血管组织分类图。本专利技术实施例提供一种基于心血管IVOCT图像的组织分类方法，其中所述方法包括：步骤1、获取多个已标记的IVOCT图像；具体的，本专利技术实施例中，获取多个已标记的IVOCT图像，具体是在临床检测过程中，医务人员对已经获得的IVOCT图像中的各种组织类型进行手动标记和分类，实际上每一张IVOCT图像可能只包括部分组织类型，而并不能包括全部的组织类型，因此需要收集多张IVOCT图像，以达到获取全部组织类型的结构图的目的。步骤2、建立IVOCT图像样本集，将所述IVOCT图像样本集分为训练样本集和测试样本集；进一步的，将已标记的IVOCT图像设为一个图像样本集合，具体的，由于医务人员手动标记的图像数码有限，而进行后续网络训练需要大量的训练样本和测试样本，因此需要对已标记的IVOCT图像进行扩充，以增加样本数目，有利于进行网络训练，具体的，进行样本扩充的方法为：步骤21、分别对每一张所述已标记的IVOCT图像进行多种形式的变换，以获取多张变换后的图像，将多张所述变换后的图像中的每一张设为一个样本；具体的对每一张已标记的IVOCT图像变形方式有：剪裁，平移，翻转，旋转，变形和灰度值变化等方式，还包括上述方式的多种组合形式，如对图像进行剪裁和平移，剪裁和翻转，剪裁和旋转，剪裁和变形，剪裁和灰度值变化，剪裁、平移和翻转，剪裁、平移和旋转，剪裁、平移和变形，剪裁、平移和灰度值变化，剪裁、平移、翻转和旋转，剪裁、平移、翻转和变形，剪裁、平移、翻转和灰度值变化，剪裁、平移、翻转、旋转和变形，剪裁、平移、翻转、旋转和灰度值变本文档来自技高网...

【技术保护点】
一种基于心血管IVOCT图像的组织分类方法，其特征在于，所述方法包括：步骤1、获取多个已标记的IVOCT图像；步骤2、建立IVOCT图像样本集，将所述IVOCT图像样本集分为训练样本集和测试样本集；步骤3、构建卷积神经网络结构；步骤4、利用所述训练样本集对所述卷积神经网络进行训练，以获取CNN模型；步骤5、将所述测试样本集输入所述CNN模型，获取不同组织对应的组织类型图。

【技术特征摘要】
1.一种基于心血管IVOCT图像的组织分类方法，其特征在于，所述方法包括：步骤1、获取多个已标记的IVOCT图像；步骤2、建立IVOCT图像样本集，将所述IVOCT图像样本集分为训练样本集和测试样本集；步骤3、构建卷积神经网络结构；步骤4、利用所述训练样本集对所述卷积神经网络进行训练，以获取CNN模型；步骤5、将所述测试样本集输入所述CNN模型，获取不同组织对应的组织类型图。2.根据权利要求1所述的基于心血管IVOCT图像的组织分类方法，其特征在于，所述步骤2包括，步骤21、分别对每一张所述已标记的IVOCT图像进行多种形式的变换，以获取多张变换后的图像，将多张所述变换后的图像中的每一张设为一个样本；其中，所述多种形式的变换包括剪裁、平移、翻转、旋转、变形和灰度值变化中的一种或者组合；步骤22、将所述多个样本设为所述IVOCT图像样本集。3.根据权利要求2所述的基于心血管IVOCT图像的组织分类方法，其特征在于，所述步骤4之前还包括：根据病变血管包含的组织类型设置训练标签，所述训练标签包括分割标签和边界标签，所述分割标签和所述边界标签均用于对所述卷积神经网络进行训练。4.根据权利要求3所述的基于心血管IV...

【专利技术属性】
技术研发人员：朱锐，李嘉男，曹一挥，薛婷，
申请(专利权)人：西安中科微光影像技术有限公司，
类型：发明
国别省市：陕西,61