IVOCT图像易损斑块自动检测方法技术

本发明专利技术公开了一种IVOCT图像易损斑块自动检测方法，首先收集含有易损斑块的正样本IVOCT图像和不含易损斑块的负样本IVOCT图像，转换至极坐标系并进行去噪处理，将每张IVOCT图像各自进行首尾拼接，在拼接IVOCT图像中采用原图像大小的滑动窗口提取图像并得到所提取图像的镜像图像，然后对每张图像各自进行首尾拼接，从而对样本数据进行增强，采用增强后的训练样本集在Faster R‑CNN网络中进行训练得到检测模型，采用训练得到的检测模型对待检测IVOCT图像进行易损斑块检测，对检测后的图像进行重叠易损斑块区域处理，然后进行检测后处理，得到检测结果，再进行坐标系还原。本发明专利技术可以有效改善IVOCT图像易损斑块自动检测的技术性能，结果更具有客观性，可以大大减少医生的工作量。

Automatic detection method of vulnerable plaque in IVOCT image

The invention discloses an automatic detection method for vulnerable plaque of IVOCT image. First, it collects the positive sample IVOCT image containing vulnerable plaque and negative sample IVOCT image without vulnerable plaque, converts to the polar coordinate system and performs denoising. Each IVOCT image is collaged in the first and the end, and the original image is used in the spliced IVOCT image. The size of the sliding window extracts the image and gets the image image of the extracted image. Then each image is spliced first and end, thus the sample data is enhanced. The enhanced training sample set is trained to get the detection model in the Faster R CNN network, and the detection model obtained by training is used to treat the detection of IV. OCT image is vulnerable plaque detection, after the detection of the image overlapped vulnerable plaque area processing, then detection after processing, get the detection results, and then coordinate system reduction. The invention can effectively improve the technical performance of automatic detection of vulnerable plaques in IVOCT images, and the results are more objective, and the workload of doctors can be greatly reduced.

【技术实现步骤摘要】
IVOCT图像易损斑块自动检测方法
本专利技术属于IVOCT图像处理
，更为具体地讲，涉及一种IVOCT图像易损斑块自动检测方法。
技术介绍
冠心病(coronaryheartdisease,CAD)是世界上致死率最高的疾病之一。其中，以急性冠状动脉综合征(acutecoronarysyndrome,ACS)病情最为凶险。而近70％的ACS事件是由冠状动脉动粥样硬化(coronaryatherosclerosis)易损斑块(vulnerableplaque)破裂造成的。因此冠状动脉粥样硬化易损斑块是导致ACS的主要元凶，所以需要早期发现易损斑块并积极进行干预。易损斑块的检测依赖于血管内成像技术(intravascularimagingmodality)。目前临床上常用血管内超声成像(intravascularultrasound,IVUS)技术和血管内光学相干断层扫描(intravascularopticalcoherencetomography,IVOCT)两种成像技术来检测易损斑块。其中，IVOCT是一种高分辨率(10-20μm)的成像方式，是IVUS的约10倍。Kume和Kubo等人的研究显示，与IVUS相比，IVOCT对易损斑块的检测具有更好的敏感性(sensitivity)和特异性(specificity)。此外，这种技术本身可以进行重复处理，在多次成像之后依然可以保证结果的稳定性。因此，IVOCT技术更适用于易损斑块的检测。基于IVOCT图像的易损斑块检测的传统方法是医生凭借自己的经验进行肉眼判别，其过程费时费力，结果主观性强。在此背景下，有必要实现冠状动脉粥样硬化易损斑块的自动检测。在前期的研究中，在“Wang,Z.,etal.,Volumetricquantificationoffibrouscapsusingintravascularopticalcoherencetomography.BiomedicalOpticsExpress,2012.3(6):p.1413-1426.”中提出一种计算机辅助纤维帽(fibrouscap,FC)容积分析的方法来分析易损斑块；此后，他们又提出了一个逻辑回归模型作为定量诊断模型，以显著简化易损斑块的诊断。在“Xu,M.,etal.Automaticimageclassificationinintravascularopticalcoherencetomographyimages.inRegion10Conference.2017.”中给出了一个IVOCT图像冠状动脉动粥样硬化疾病检测系统，该系统首先对IVOCT图像进行预处理，然后采用线性SVM分类器对不健康的受试者进行检测。在此基础上，他们增加了图像数据，改进了IVOCT图像的预处理以及支持向量机(SupportVectorMachine,SVM)分类器，使得分类更细更准确。然而，上述研究工作依然采用了传统的图像分类(imageclassification)或者目标检测(objectdetection)方法，仅考虑了分类或检测的准确率(precisionrate)，而未考虑召回率(recallrate)和重合度(overlaprate)等指标，导致临床推广困难。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种IVOCT图像易损斑块自动检测方法，准确实现IVOCT图像易损斑块的自动检测，节省医生的工作量。为实现上述专利技术目的，本专利技术IVOCT图像易损斑块自动检测方法包括以下步骤：S1：收集K张样本IVOCT图像，包括含有易损斑块的正样本IVOCT图像和不含易损斑块的负样本IVOCT图像，将IVOCT图像的大小归一化至预设尺寸，对于每幅正样本IVOCT图像，人工标记出其中的易损斑块区域；S2：将每张样本IVOCT图像从笛卡尔坐标系转换至极坐标系，记极坐标系下IVOCT图像尺寸为M×N；S3：对极坐标下的每张样本IVOCT图像进行去噪处理；S4：将每张去噪后的样本IVOCT图像各自进行首尾拼接，得到M×2N的拼接IVOCT图像，在拼接时如果原IVOCT图像的左右两侧均存在易损斑块，且在拼接得到的IVOCT图像相接，则合并为一个易损斑块；在拼接IVOCT图像中，以大小为M×N的窗口按预设步长进行滑动提取图像，记得到的IVOCT图像数量为H，然后将H张IVOCT图像进行水平镜像处理得到H张镜像IVOCT图像，共计得到2H张IVOCT图像；对于每张样本IVOCT图像得到的2H张IVOCT图像各自进行首尾拼接，得到2H张拼接IVOCT图像，在拼接时如果原IVOCT图像的左右两侧均存在易损斑块，且在拼接得到的IVOCT图像相接，则合并为一个易损斑块；K张样本IVOCT图像共计得到K×2H张拼接IVOCT图像，作为数据增强后的训练样本集；S5：对于步骤S4得到的K×2H张拼接IVOCT图像中的每张拼接IVOCT图像，如果存在易损斑块，则该拼接IVOCT图像为正样本，其标签设置为1，将该拼接IVOCT图像、标签和易损斑块区域的位置信息构成训练数据，否则该拼接IVOCT图像为负样本，其标签设置为0，将该拼接IVOCT图像、标签和整个拼接IVOCT图像区域的位置信息构成训练数据，从而得到训练数据集，然后将得到的训练数据集转化为适合FasterR-CNN网络输入的格式；S6：采用步骤S5中得到的训练数据集，在FasterR-CNN网络中进行训练，得到检测模型；S7：当需要对IVOCT图像进行易损斑块检测时，首先将待检测IVOCT图像的大小调整为预设的归一化尺寸，然后转化至极坐标系并进行去噪处理，将得到的IVOCT图像的进行首尾拼接，将拼接IVOCT图像输入步骤S6训练得到的检测模型进行检测，在拼接IVOCT图像中标记出易损斑块的区域；S8：对于步骤S7输出的拼接IVOCT图像，如果存在重叠的易损斑块区域，则将重叠易损斑块区域合并作为一个易损斑块区域，否则不作任何操作；S9：对于步骤S8输出的拼接IVOCT图像，如果不存在易损斑块，则直接截取左半部分M×N的图像作为检测结果，如果存在易损斑块则采用以下方法进行检测后处理：S9.1：对于步骤S8得到的拼接IVOCT图像，截取右半部分图像，提取出其中的易损斑块区域，依次对每个易损斑块区域向左平移N个像素，判断平移后的易损斑块区域是否与左半部分图像中原有的易损斑块区域存在重叠，如果是，则放弃此次平移，否则保留此次平移；S9.2：截取步骤S9.1得到的拼接IVOCT图像的左半部分区域；S9.3：在步骤S9.2得到的IVOCT图像中，如果某个易损斑块区域的左边缘与图像左边缘的距离小于预设阈值，或易损斑块区域的右边缘与图像右边缘的距离小于预设阈值，则将该易损斑块区域扩展至图像边缘，否则不作任何操作；将得到的IVOCT图像作为检测结果；S10：将步骤S9的检测结果从极坐标系转换至笛卡尔坐标系，得到待检测IVOCT图像的易损斑块检测结果。本专利技术IVOCT图像易损斑块自动检测方法，首先收集含有易损斑块的正样本IVOCT图像和不含易损斑块的负样本IVOCT图像，将样本IVOCT图像从笛卡尔坐标系转换至极坐标系并进行去噪处理，将每张IVOCT图像各自进行首尾拼接，在拼接IVO本文档来自技高网...

【技术保护点】
1.一种IVOCT图像易损斑块自动检测方法，其特征在于包括：S1：收集K张样本IVOCT图像，包括含有易损斑块的正样本IVOCT图像和不含易损斑块的负样本IVOCT图像，将IVOCT图像的大小归一化至预设尺寸，对于每幅正样本IVOCT图像，人工标记出其中的易损斑块区域；S2：将每张样本IVOCT图像从笛卡尔坐标系转换至极坐标系，记极坐标系下IVOCT图像尺寸为M×N；S3：对极坐标下的每张样本IVOCT图像进行去噪处理；S4：将每张去噪后的样本IVOCT图像各自进行首尾拼接，得到M×2N的拼接IVOCT图像，在拼接时如果原IVOCT图像的左右两侧均存在易损斑块，且在拼接得到的IVOCT图像相接，则合并为一个易损斑块；在拼接IVOCT图像中，以大小为M×N的窗口按预设步长进行滑动提取图像，记得到的IVOCT图像数量为H，然后将H张IVOCT图像进行水平镜像处理得到H张镜像IVOCT图像，共计得到2H张IVOCT图像；对于每张样本IVOCT图像得到的2H张IVOCT图像各自进行首尾拼接，得到2H张拼接IVOCT图像，在拼接时如果原IVOCT图像的左右两侧均存在易损斑块，且在拼接得到的IVOCT图像相接，则合并为一个易损斑块；K张样本IVOCT图像共计得到K×2H张拼接IVOCT图像，作为数据增强后的训练样本集；S5：对于步骤S4得到的K×2H张拼接IVOCT图像中的每张拼接IVOCT图像，如果存在易损斑块，则该拼接IVOCT图像为正样本，其标签设置为1，将该拼接IVOCT图像、标签和易损斑块区域的位置信息构成训练数据，否则该拼接IVOCT图像为负样本，其标签设置为0，将该拼接IVOCT图像、标签和整个拼接IVOCT图像区域的位置信息构成训练数据，从而得到训练数据集，然后将得到的训练数据集转化为适合Faster R‑CNN网络输入的格式；S6：采用步骤S5中得到的训练数据集，在Faster R‑CNN网络中进行训练，得到检测模型；S7：当需要对IVOCT图像进行易损斑块检测时，首先将待检测IVOCT图像的大小调整为预设的归一化尺寸，然后转化至极坐标系并进行去噪处理，将得到的IVOCT图像的进行首尾拼接，将拼接IVOCT图像输入步骤S6训练得到的检测模型进行检测，在拼接IVOCT图像中标记出易损斑块的区域；S8：对于步骤S7输出的拼接IVOCT图像，如果存在重叠的易损斑块区域，则将重叠易损斑块区域合并作为一个易损斑块区域，否则不作任何操作；S9：对于步骤S8输出的拼接IVOCT图像，如果不存在易损斑块，则直接截取左半部分M×N的图像作为检测结果，如果存在易损斑块则采用以下方法进行检测后处理：S9.1：对于步骤S8得到的拼接IVOCT图像，截取右半部分图像，提取出其中的易损斑块区域，依次对每个易损斑块区域向左平移N个像素，判断平移后的易损斑块区域是否与左半部分图像中原有的易损斑块区域存在重叠，如果是，则放弃此次平移，否则保留此次平移；S9.2：截取步骤S9.1得到的拼接IVOCT图像的左半部分区域；S9.3：在步骤S9.2得到的IVOCT图像中，如果某个易损斑块区域的左边缘与图像左边缘的距离小于预设阈值，或易损斑块区域的右边缘与图像右边缘的距离小于预设阈值，则将该易损斑块区域扩展至图像边缘，否则不作任何操作；将得到的IVOCT图像作为检测结果；S10：将步骤S9的输出结果从极坐标系转换至极坐笛卡尔坐标系，得到待检测IVOCT图像的易损斑块检测结果。...

【技术特征摘要】
1.一种IVOCT图像易损斑块自动检测方法，其特征在于包括：S1：收集K张样本IVOCT图像，包括含有易损斑块的正样本IVOCT图像和不含易损斑块的负样本IVOCT图像，将IVOCT图像的大小归一化至预设尺寸，对于每幅正样本IVOCT图像，人工标记出其中的易损斑块区域；S2：将每张样本IVOCT图像从笛卡尔坐标系转换至极坐标系，记极坐标系下IVOCT图像尺寸为M×N；S3：对极坐标下的每张样本IVOCT图像进行去噪处理；S4：将每张去噪后的样本IVOCT图像各自进行首尾拼接，得到M×2N的拼接IVOCT图像，在拼接时如果原IVOCT图像的左右两侧均存在易损斑块，且在拼接得到的IVOCT图像相接，则合并为一个易损斑块；在拼接IVOCT图像中，以大小为M×N的窗口按预设步长进行滑动提取图像，记得到的IVOCT图像数量为H，然后将H张IVOCT图像进行水平镜像处理得到H张镜像IVOCT图像，共计得到2H张IVOCT图像；对于每张样本IVOCT图像得到的2H张IVOCT图像各自进行首尾拼接，得到2H张拼接IVOCT图像，在拼接时如果原IVOCT图像的左右两侧均存在易损斑块，且在拼接得到的IVOCT图像相接，则合并为一个易损斑块；K张样本IVOCT图像共计得到K×2H张拼接IVOCT图像，作为数据增强后的训练样本集；S5：对于步骤S4得到的K×2H张拼接IVOCT图像中的每张拼接IVOCT图像，如果存在易损斑块，则该拼接IVOCT图像为正样本，其标签设置为1，将该拼接IVOCT图像、标签和易损斑块区域的位置信息构成训练数据，否则该拼接IVOCT图像为负样本，其标签设置为0，将该拼接IVOCT图像、标签和整个拼接IVOCT图像区域的位置信息构成训练数据，从而得到训练数据集，然后将得到的训练数据集转化为适合FasterR-CNN网络输入的格式；S6：采用步骤S5中得到...

【专利技术属性】
技术研发人员：刘然，郑杨婷，田逢春，张艳珍，李德豪，刘明明，
申请(专利权)人：成都斯斐德科技有限公司，重庆大学，
类型：发明
国别省市：四川,51