一种基于模态学习的血管边界检测方法、系统及装置制造方法及图纸

本发明专利技术公开了一种基于模态学习的血管边界检测方法、系统及装置，该方法包括：获取批量图像并将图像划分得到隐藏模态集和目标模态集；基于卷积自动编码器和双向金字塔网络结构构建模态学习模型；根据隐藏模态集和目标模态集对模态学习模型进行参数优化，得到优化模型；获取待测图像并输入到优化模型识别血管边界。该系统包括：获取模块、构建模块、模态学习模块和识别模块。该装置包括存储器以及用于执行上述基于模态学习的血管边界检测方法的处理器。通过使用本发明专利技术，可实现在各种血管环境依然可以进行准确的血管边界检测。本发明专利技术作为一种基于模态学习的血管边界检测方法、系统及装置，可广泛应用于血管图像处理领域。

【技术实现步骤摘要】
一种基于模态学习的血管边界检测方法、系统及装置
本专利技术涉及血管图像处理领域，尤其涉及一种基于模态学习的血管边界检测方法、系统及装置。
技术介绍
冠状动脉内成像是临床实践中重要的医学影像学方法，通过从人体外部将微型饱和成像探头插入冠状动脉，来呈现冠状动脉内部形态的高分辨率图像。它主要包括两种成像方式：血管内超声(IVUS)和光学相干断层扫描(OCT)，用以显示冠状动脉疾病不同方面的表现。冠状动脉内图像中的血管边界检测(VBDI)在计算机辅助图像分析中起着重要作用，它有助于后续分析，现有的基于手工制作图像特征的血管边界检测方法受到血管环境多变性的限制，不能很好地适用于各种血管环境。
技术实现思路
为了解决上述技术问题，本专利技术的目的是提供一种基于模态学习的血管边界检测方法、系统及装置，能够很好地适应于不同的血管环境，从而实现在各种血管环境依然可以进行准确的血管边界检测。本专利技术所采用的第一技术方案是：一种基于模态学习的血管边界检测方法，包括以下步骤：获取批量图像并将图像划分得到隐藏模态集和目标模态集；...

【技术保护点】
1.一种基于模态学习的血管边界检测方法，其特征在于，包括以下步骤：/n获取批量图像并将图像划分得到隐藏模态集和目标模态集；/n基于卷积自动编码器和双向金字塔网络结构构建模态学习模型；/n根据隐藏模态集和目标模态集对模态学习模型进行参数优化，得到优化模型；/n获取待测图像并输入到优化模型，识别得到血管边界。/n

【技术特征摘要】
1.一种基于模态学习的血管边界检测方法，其特征在于，包括以下步骤：
获取批量图像并将图像划分得到隐藏模态集和目标模态集；
基于卷积自动编码器和双向金字塔网络结构构建模态学习模型；
根据隐藏模态集和目标模态集对模态学习模型进行参数优化，得到优化模型；
获取待测图像并输入到优化模型，识别得到血管边界。


2.根据权利要求1所述一种基于模态学习的血管边界检测方法，其特征在于，所述模态学习模型包括第一卷积自动编码器、第二卷积自动编码器和双向金字塔网络，所述第一卷积自动编码器用于管腔区域的图像分割，所述第二卷积自动编码器用于管腔区域和中膜外膜区域的图像分割，所述双向金字塔网络用于图像特征提取。


3.根据权利要求2所述一种基于模态学习的血管边界检测方法，其特征在于，所述根据隐藏模态集和目标模态集对模态学习模型进行参数优化，得到优化模型这一步骤，其具体包括：
将隐藏模态集合和目标模态集输入到模态学习模型；
基于模态学习模型分别提取出对应模态特征并进行特征融合，输出处理后的目标模态信息；
根据目标模态信息对模态学习模型参数中的软标记和硬标记进行优化；
重复优化步骤，得到优化模型。


4.根据权利要求3所述一种基于模态学习的血管边界检测方法，其特征在于，所述双向金字塔网络包括5个级联模块，每个级联模块中包括4个膨胀卷积层结构。


5.根据权利要求4所述一种基于模态学习的血管边界检测方法，其特征在于，所述获...

【专利技术属性】
技术研发人员：高智凡，刘修健，张贺晔，徐梓峰，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44