一种基于深度学习的血管内超声图像处理方法技术

本发明专利技术属于图像处理技术领域，公开了一种基于深度学习的血管内超声图像处理方法，对采集的超声图像进行数据增强处理，将进行数据增强处理后的超声图像输入到基于深度学习的血管内斑块自动分割模型中，将自动分割模型分割出的斑块图像输入训练后的卷积神经网络模型中，获得与斑块图像对应的识别结果。本发明专利技术通过对采集的超声图像进行数据增强处理可以有效提高超声图像的显示清晰度，减少了图片的多余部分，对图片大小进行精简，通过基于深度学习的血管内斑块自动分割模型可以准确、快速地对血管内的斑块图像进行自动分割，便于后续通过卷积神经网络模型进行自动识别，实现了快速、客观、准确地对血管病变进行自动识别和评估分析。估分析。估分析。

【技术实现步骤摘要】
一种基于深度学习的血管内超声图像处理方法


[0001]本专利技术属于图像处理
，尤其涉及一种基于深度学习的血管内超声图像处理方法。

技术介绍

[0002]目前：血管内超声(intravascular ultrasound，IVUS)是目前诊断冠心病最直接、准确的方法，其原理是将微型化的超声探头通过导管送入心血管内，利用安装在导管尖端的微型压电换能器来产生超声信号，根据不同血管组织成份的声学特性的差异性得到不同的超声回波信号，从而得出包含血管壁结构和斑块组织的血管二维横截面的实时断层图像，实现对血管壁和内膜动脉粥样硬化病变的定量评估。但是由于超声图像对比度低、受噪声和各种伪像影响大，要区分斑块的组织特征还比较困难。另外，IVUS的分辨率约100μm左右，难以区分纤维帽厚度小于70μm的易损斑块。IVUS回撤序列中通常有上千帧图像，对其中有诊断意义的图像人工准确识别和手动勾画需要具备成熟血管内超声诊断能力的医生才能完成，导致目前国内很多心血管介入科室出现把拥有多年的血管内超声搁置一旁的尴尬现象。临床介入医生在学习和应用IVUS这项技术中发现，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的血管内超声图像处理方法，其特征在于，所述基于深度学习的血管内超声图像处理方法包括：步骤一，利用图像采集模块对血管内的超声图像进行采集；步骤二，对采集的超声图像进行数据增强处理，包括旋转、剪裁、翻转变换、缩放变换、平移变换和噪声扰动；步骤三，构建基于深度学习的血管内斑块自动分割模型，并将进行数据增强处理后的超声图像输入到基于深度学习的血管内斑块自动分割模型中；步骤四，将基于深度学习的血管内斑块自动分割模型分割出的斑块图像输入训练后的卷积神经网络模型中，获得与斑块图像对应的识别结果。2.如权利要求1所述的基于深度学习的血管内超声图像处理方法，其特征在于，所述基于深度学习的血管内斑块自动分割模型的执行方法包括：(1)数据先经过两个卷积核大小为3，卷积步长为1的卷积操作；(2)步骤(1)中的输出经过group normalization操作并输入到下一级Ecd1编码模块；(3)步骤(2)中的Ecd1编码模块经过编码后，采用max_pool进行下采样，并将采样结果输出到下一级，max_pool采样核大小为2，采样步长为2；(4)与步骤(3)的操作相同，对上一级的输出，进行编码并进行采样，直到Ecd5；(5)将Ecd5的编码结果输入到Ecd6进行深度编码，Ecd5和Ecd6不进行max_pool下采样；(6)将Ecd6的编码结果与Ecd4的输出拼接组成新的数据，并输入到Dcd1模块中进行解码；(7)与步骤(6)类似，将上一级的解码输出与对应的编码模块拼接生成新的数据，并作为下一级解码的输入，直到与Ecd1拼接解码完成为止；(8)将步骤(7)的输出经过两个卷积核大小为3，卷积步长为1的卷积操作；(9)将步骤(8)的输出经过softmax函数后的输出作为最终的模型预测输出结果。3.如权利要求2所述的基于深度学习的血管内超声图像处理方法，其特征在于，所述编码模块分为两条线路，上边为mainbranch，下边为refine branch，所述mianbranch线路的编码方法包括：1)输入特征经过两个卷积和大小为3，卷积步长为1的卷积操作；2)将步骤1)的输出特征输入到Dense模块中进行深度特征融合；3)经过深度特征融合后的特征经过max_pool模块进行下采样，其中max_pool的采样核大小为2，采样步长为2；4)将采样后的结果与refine branch的输出进行叠加，并将叠加后的结果经过unpooling上采样，将特征大小恢复到max_pool采样前的大小；5)将步骤4)中的输出与步骤2的输出进行拼接，并经过...

【专利技术属性】
技术研发人员：孟令波，张超，张健，
申请(专利权)人：孟令波，
类型：发明
国别省市：