一种计算腔内OCT图像的IPA的方法和装置制造方法及图纸

本申请涉及医疗器械技术领域，提供了一种计算腔内OCT图像的IPA的方法，包括：获取腔内OCT图像；确定所述腔内OCT图像的钙化斑块区域；确定所述腔内OCT图像的光衰系数，所述腔内OCT图像的光衰系数不包括所述钙化斑块区域的光衰系数；根据所述腔内OCT图像的光衰系数确定所述腔内OCT图像的IPA。上述方法能够提高IPA的精确度。IPA的精确度。IPA的精确度。

【技术实现步骤摘要】
一种计算腔内OCT图像的IPA的方法和装置


[0001]本申请涉及医疗器械
，尤其涉及一种计算腔内OCT图像的IPA的方法和装置。

技术介绍

[0002]腔内光学相干断层扫描(Optical Coherence Tomography，OCT)具有较高的分辨率，已成为经皮冠状动脉介入治疗(percutaneous coronary intervention,PCI)手术中常用的成像技术。在腔内OCT图像中，不同的腔内组织会有不同的光衰减系数，因此，可以利用光衰减系数对不同的腔内组织进行区分。
[0003]由于TCFA属于易损斑块(Vulnerable Plaque)，它与心血管疾病的发生紧密相关，是诱发血栓、急性冠脉综合症、冠心病等疾病的主要原因。因此，准确地识别出心血管中TCFA存在的情况以及严重程度在心血管疾病预防和诊断方面具有重要意义。而斑块衰减指数(Index of plaque attenuation,IPA)是基于光衰减系数计算出的一个识别指标，它可以很好地区分薄纤维帽粥样硬化斑块(Thin
‑
Cap FibroAtheroma，TCFA)(即不稳定斑块)和粥样硬化斑块(FibroAtheroma，FA)(即稳定斑块)。例如，利用IPA识别腔内血管组织内是否含有TCFA，当腔内血管内含有TCFA时，IPA的计算结果会偏高(高于给定阈值)，进而可以确定腔内血管内含有TCFA；当腔内血管内不含有TCFA时，IPA的计算结果会偏低(低于给定阈值)，进而可以确定腔内血管内不含有TCFA。但是，当腔内血管组织中含有钙化斑块时，它会使IPA的计算结果偏高(高于给定阈值)，此时，IPA的计算结果就不能准确地反映腔内血管内是否含有TCFA。
[0004]因此，如何提高IPA的精确度是当前急需解决的问题。

技术实现思路

[0005]本申请提供了一种计算腔内OCT图像的IPA的方法，能够提高IPA的精确度。
[0006]第一方面，提供了一种计算腔内OCT图像的IPA的方法，包括：获取腔内OCT图像；确定所述腔内OCT图像的钙化斑块区域；确定所述腔内OCT图像的光衰系数，所述腔内OCT图像的光衰系数不包括所述钙化斑块区域的光衰系数；根据所述腔内OCT图像的光衰系数确定所述腔内OCT图像的IPA。
[0007]上述方法可以由终端设备或者终端设备中的芯片执行。以腔内的血管组织为例，当血管发生钙化病变时，OCT机器采集该钙化血管得到的血管OCT图像会含有钙化斑块区域，若不去除血管OCT图像中的钙化斑块区域，则直接计算血管OCT图像对应的光衰减系数图像对应的IPA值，会出现IPA的计算结果偏高，但是，此时不能根据该IPA的计算结果判断血管OCT图像中一定存在TCFA。原因在于，无论血管OCT图像中是否存在TCFA，只要血管OCT图像中存在钙化斑块区域，这些钙化斑块区域会导致血管OCT图像对应的光衰减系数图像中钙化斑块区域的光衰减系数变大，从而导致基于光衰减系数计算的IPA值偏高。若将血管OCT图像中钙化斑块区域去除，比如，将血管OCT图像中钙化斑块区域对应的光衰减系数置
为0，然后再计算去除钙化斑块区域后的光衰减系数图像的IPA值，若该IPA值计算结果高于预设值，则可以判断血管OCT图像中存在TCFA，若光衰减系数图像的IPA值计算结果低于预设值，则可以判断血管OCT图像中不存在TCFA。由此可见，只有将血管OCT图像中钙化斑块区域去除后，才能准确地计算出血管OCT图像对应的光衰减系数图像的IPA值，进而才能根据该IPA值判断血管OCT图像中是否存在TCFA。
[0008]可选地，所述确定所述腔内OCT图像的钙化斑块区域，包括：通过目标卷积神经网络处理所述腔内OCT图像，确定所述腔内OCT图像的钙化斑块区域。相比医学专家利用专业软件标记腔内OCT图像的钙化斑块区域，本申请采用目标神经网络识别腔内OCT图像的钙化斑块区域的方法，能够快速准确地识别出钙化斑块区域。
[0009]可选地，所述目标卷积神经网络是通过下列方法训练得到的：通过待训练的卷积神经网络处理腔内OCT训练图像，生成第一特征图；获取所述腔内OCT训练图像中钙化斑块区域的纹理特征矩阵；根据所述第一特征图和所述纹理特征矩阵生成预测掩膜；获取所述腔内OCT训练图像的感兴趣区域，所述感兴趣区域用于表征所述腔内OCT训练图像中的钙化斑块区域；根据所述预测掩膜、所述感兴趣区域和标准掩膜训练所述待训练的卷积神经网络，生成所述目标卷积神经网络，其中，所述预测掩膜为预测值，所述标准掩膜为真实值，所述感兴趣区域用于提高所述待训练的卷积神经网络的损失函数对所述钙化斑块区域边缘结构信息的学习能力。
[0010]将待训练的卷积神经网络处理腔内OCT训练图像生成的第一特征图与腔内OCT训练图像中钙化斑块区域的纹理特征矩阵进行拼接生成预测掩膜；该预测掩膜结合感兴趣区域和标准掩膜训练上述待训练的卷积神经网络，以生成目标卷积神经网络。上述感兴趣区域用于提高上述待训练的卷积神经网络的损失函数对所述钙化斑块区域边缘结构信息的学习能力。此外，通过增加损失函数中所述感兴趣区域的权重来提高钙化斑块区域边缘结构信息的识别精度。由于仅采用深度学习模型识别腔内OCT图像中的钙化斑块区域存在钙化斑块区域不规则边缘识别精度低的问题，因此，本申请提出利用感兴趣区域以及腔内OCT图像的纹理特征来辅助训练待训练的卷积神经网络，以使得目标神经网络能够准确地识别出腔内OCT图像中的钙化斑块区域。
[0011]可选地，所述获取所述腔内OCT训练图像的感兴趣区域，包括：获取所述腔内OCT训练图像的多条A线；根据所述多条A线中每条A线上对应最大光衰减系数的像素点确定所述腔内OCT训练图像的感兴趣区域。
[0012]可选地，根据所述第一特征图和所述纹理特征矩阵生成预测掩膜，包括：拼接所述第一特征图和所述纹理特征矩阵，生成第二特征图；对所述第二特征图进行降维处理，生成所述预测掩膜。
[0013]可选地，所述对所述第二特征图进行降维处理，包括：通过3个1
×
1的卷积层对所述第二特征图进行降维处理。
[0014]可选地，所述获取所述腔内OCT训练图像中钙化斑块区域的纹理特征矩阵，包括：确定所述腔内OCT训练图像的空间灰度共生矩阵；根据所述空间灰度共生矩阵确定所述腔内OCT训练图像的至少一个纹理特征；根据所述纹理特征确定所述纹理特征矩阵。
[0015]可选地，所述至少一个纹理特征包括：能量、惯量、熵和相关性中的一个或多个。
[0016]第二方面，提供了一种计算腔内OCT图像的IPA的装置，所述装置包括处理器和存
储器，所述存储器用于存储计算机程序，所述处理器用于从所述存储器中调用并运行所述计算机程序，使得所述装置执行第一方面中任一项所述的方法。
[0017]第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储了计算机程序，当所述计算机程序被处理器执行时，使得处理器执行执行第一方面中任一项所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算腔内OCT图像的IPA的方法，其特征在于，所述方法包括：获取腔内OCT图像；确定所述腔内OCT图像的钙化斑块区域；确定所述腔内OCT图像的光衰系数，所述腔内OCT图像的光衰系数不包括所述钙化斑块区域的光衰系数；根据所述腔内OCT图像的光衰系数确定所述腔内OCT图像的IPA。2.根据权利要求1所述的方法，其特征在于，所述确定所述腔内OCT图像的钙化斑块区域，包括：通过目标卷积神经网络处理所述腔内OCT图像，确定所述腔内OCT图像的钙化斑块区域。3.根据权利要求2所述的方法，其特征在于，所述目标卷积神经网络是通过下列方法训练得到的：通过待训练的卷积神经网络处理腔内OCT训练图像，生成第一特征图；获取所述腔内OCT训练图像中钙化斑块区域的纹理特征矩阵；根据所述第一特征图和所述纹理特征矩阵生成预测掩膜；获取所述腔内OCT训练图像的感兴趣区域，所述感兴趣区域用于表征所述腔内OCT训练图像中的钙化斑块区域；根据所述预测掩膜、所述感兴趣区域和标准掩膜训练所述待训练的卷积神经网络，生成所述目标卷积神经网络，其中，所述预测掩膜为预测值，所述标准掩膜为真实值，所述感兴趣区域用于提高所述待训练的卷积神经网络的损失函数对所述钙化斑块区域边缘结构信息的学习能力。4.根据权利要求3所述的方法，其特征在于，所述获取所述腔内OCT训练图像的感兴趣区域，包括：获取所述腔内OCT训练图像的多条A线；根据所述多条A线中每条...

【专利技术属性】
技术研发人员：朱锐，鲁全茂，刘超，毕鹏，
申请(专利权)人：深圳市中科微光医疗器械技术有限公司，
类型：发明
国别省市：