本發(fā)明涉及醫(yī)療器械技術(shù)領(lǐng)域，尤其涉及一種基于OCT影像的支架檢測與評估的深度學(xué)習(xí)方法及系統(tǒng)。

背景技術(shù)：

冠狀動脈粥樣硬化性心臟病，簡稱“冠心病(Coronary Artery Disease，CAD)”，是冠狀動脈血管發(fā)生動脈粥樣硬化病變而引起的血管狹窄或阻塞，造成心肌缺血、缺氧或壞死而導(dǎo)致的心臟病。目前，冠心病的主要治療方法是經(jīng)皮冠狀動脈介入治療，即向血管堵塞處植入支架。支架通常是用金屬網(wǎng)狀結(jié)構(gòu)構(gòu)成，支架經(jīng)歷了三代的變化，金屬裸支架(Bare Metal Stent，BMS)，管腔再狹窄和內(nèi)膜增生的風(fēng)險高；藥物洗脫支架(Drug-Eluting Stent,DES)，作為金屬裸支架的一種替代，可以顯著減輕血管再狹窄率，但會引起晚期支架血栓和晚期獲得性貼壁不良；生物可吸收支架(Bioresorbable Vascular Scaffold，BVS)提供了臨時的徑向強度，避免了急性血管反沖和急性血管閉塞，在支架植入一段時間后，生物可吸收支架可被充分吸收從而使血管內(nèi)血液流通順暢。在冠心病介入治療方面，生物可吸收支架將會得到越來越廣泛的使用。

術(shù)中支架的貼壁情況以及術(shù)后支架的覆蓋的程度與血栓等不良事件的發(fā)生有關(guān)，因此在支架植入過程中，臨床醫(yī)生需要判斷支架是否貼壁良好，在術(shù)后隨訪時，也要判斷支架的覆蓋的程度。血管內(nèi)光學(xué)相干斷層掃描(Intravascular Optical Coherence Tomography，IVOCT)由于其分辨率達(dá)到了微米級，其軸向分辨率可達(dá)5-15um，縱向分辨率約為25um，探測深度約為2mm，是目前評估術(shù)中支架的貼壁情況以及術(shù)后支架的覆蓋情況的最好的技術(shù)手段。

但是，在臨床應(yīng)用中，由于IVOCT影像分辨率高，對一段四厘米的支架掃描就會產(chǎn)生200多張圖像，如果要定量地評估術(shù)中支架的貼壁情況以及術(shù)后支架的覆蓋情況，一方面，需要醫(yī)生花費大量的時間和精力來分析、判斷IVOCT圖像；另一方面，無法滿足臨床中實時分析的需求，且無法建立統(tǒng)一的臨床標(biāo)準(zhǔn)。因此，有必要對支架的貼壁情況以及術(shù)后支架的覆蓋情況實現(xiàn)自動檢測，從而對基線支架的貼壁情況以及隨訪支架的覆蓋情況進行定量分析和判斷。

目前，已有的自動檢測支架的方法都是基于圖像灰度、梯度特征，這些基于圖像灰度、梯度特征的方法存在設(shè)計復(fù)雜、性能不穩(wěn)定、識別率低。

技術(shù)實現(xiàn)要素：

為了解決上述問題，本發(fā)明提出一種基于OCT影像的支架檢測與評估的深度學(xué)習(xí)方法及系統(tǒng)，能夠自動檢測支架和內(nèi)壁的位置并獲得支架的貼壁情況或支架的覆蓋情況，檢測準(zhǔn)確率較高。

本發(fā)明提出的具體技術(shù)方案為：提供一種基于OCT影像的支架檢測與評估的深度學(xué)習(xí)方法，所述深度學(xué)習(xí)方法包括以下步驟：獲取待檢測的冠狀動脈光學(xué)相干斷層掃描(Optical Coherence Tomography，OCT)圖像；根據(jù)支架標(biāo)記模型獲取所述待檢測的冠狀動脈OCT圖像中的支架的位置；根據(jù)內(nèi)壁標(biāo)記模型獲取所述待檢測的冠狀動脈OCT圖像中的冠狀動脈的內(nèi)壁的位置；計算所述支架的中心與所述冠狀動脈的內(nèi)壁的最短距離并根據(jù)所述最短距離是否不大于第一距離閾值獲得所述支架的貼壁情況、或根據(jù)所述最短距離是否不大于第二距離閾值獲得所述支架的覆蓋情況；對所述支架的貼壁情況或覆蓋情況進行顯示。

進一步地，所述支架標(biāo)記模型、內(nèi)壁標(biāo)記模型由以下步驟獲得：獲取樣本冠狀動脈OCT圖像，所述樣本冠狀動脈OCT圖像中包括支架標(biāo)記樣本和內(nèi)壁標(biāo)記樣本；對所述樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和內(nèi)壁標(biāo)記模型。

進一步地，對所述樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和內(nèi)壁標(biāo)記模型步驟包括：對所述樣本冠狀動脈OCT圖像依次交替進行n次卷積和n次池化，得到n個池化層A₁,A₂,......A_i,......A_n，i＝1～n；依次對n個池化層A_n,A_n-1,......A_i,......A₁進行像素到像素的全卷積網(wǎng)絡(luò)訓(xùn)練，得到n個上采樣預(yù)測B_n,B_n-1,......B_i,......B₁；依次對所述n個上采樣預(yù)測B_n,B_n-1,......B_i,......B₁進行類平衡校正，得到n個校正圖；依次對所述n個校正圖進行權(quán)重校正，得到n個校正權(quán)重；根據(jù)所述n個校正權(quán)重對所述n個校正圖進行融合細(xì)化，獲得支架標(biāo)記模型和內(nèi)壁標(biāo)記模型。

進一步地，當(dāng)i＝1時，上采樣預(yù)測B_n是由池化層A_n以步幅為2ⁿ進行上采樣得到；當(dāng)i＝2～n時，上采樣預(yù)測B_n-i+1是由求和預(yù)測C_n-i+2以步幅為2^n-i+1進行上采樣得到，C_n-i+2由下式得到：

C_n-i+2＝D_n-i+1+E_n-i+1

其中，當(dāng)i＝2時，D_n-1是由池化層A_n以步幅為2進行上采樣得到；當(dāng)i＝3～n時，D_n-i+1是由求和預(yù)測C_n-i+3以步幅為2進行上采樣得到，E_n-i+1是由池化層A_n-i+1添加一個1×1卷積層得到。

進一步地，獲得支架標(biāo)記模型和內(nèi)壁標(biāo)記模型后，所述深度學(xué)習(xí)方法還包括：根據(jù)所述支架標(biāo)記模型、內(nèi)壁標(biāo)記模型獲取所述樣本冠狀動脈OCT圖像中的支架區(qū)域、內(nèi)壁區(qū)域；判斷所述支架區(qū)域、內(nèi)壁區(qū)域是否與支架標(biāo)記樣本中的支架區(qū)域、內(nèi)壁標(biāo)記樣本中的內(nèi)壁區(qū)域一致，若所述支架區(qū)域、內(nèi)壁區(qū)域與所述支架標(biāo)記樣本中的支架區(qū)域、內(nèi)壁標(biāo)記樣本中的內(nèi)壁區(qū)域一致，則存儲所述支架標(biāo)記模型和所述內(nèi)壁標(biāo)記模型。

進一步地，對所述校正圖進行權(quán)重校正得到權(quán)重校正圖步驟包括：計算所述校正圖的權(quán)重與權(quán)重閾值的差；獲取所述校正圖的反向傳播調(diào)權(quán)矩陣；根據(jù)所述校正圖的權(quán)重與權(quán)重閾值的差對所述反向傳播調(diào)權(quán)矩陣進行更新并根據(jù)更新后的反向傳播調(diào)權(quán)矩陣對所述校正圖進行權(quán)重校正得到校正權(quán)重。

進一步地，所述支架的中心的計算公式為：

其中，n_i為第i個支架內(nèi)的像素點總數(shù)，x_ij、y_ij分別為第i個支架內(nèi)的第j個像素點的橫坐標(biāo)、縱坐標(biāo)。

本發(fā)明還提供了一種基于OCT影像的支架檢測與評估的深度學(xué)習(xí)系統(tǒng)，所述深度學(xué)習(xí)系統(tǒng)包括依次連接的探測單元、光信號處理單元、數(shù)據(jù)處理單元及顯示單元，所述數(shù)據(jù)處理單元包括：圖像獲取模塊，用于獲取待檢測的冠狀動脈OCT圖像；支架檢測模塊，用于根據(jù)支架標(biāo)記模型獲取所述待檢測的冠狀動脈OCT圖像中的支架的位置；內(nèi)壁檢測模塊，用于根據(jù)內(nèi)壁標(biāo)記模型獲取所述待檢測的冠狀動脈OCT圖像中的冠狀動脈的內(nèi)壁的位置；計算模塊，用于計算所述支架的中心與所述冠狀動脈的內(nèi)壁的最短距離并根據(jù)所述最短距離是否不大于第一距離閾值獲得所述支架的貼壁情況、或根據(jù)所述最短距離是否不大于第二距離閾值獲得所述支架的覆蓋情況；圖像輸出模塊，用于將所述支架的貼壁情況或覆蓋情況發(fā)送給所述顯示單元進行顯示。

進一步地，所述數(shù)據(jù)處理單元還包括：樣本輸入模塊，用于獲取樣本冠狀動脈OCT圖像，所述樣本冠狀動脈OCT圖像中包括支架標(biāo)記樣本和內(nèi)壁標(biāo)記樣本；訓(xùn)練模塊，用于對所述樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和內(nèi)壁標(biāo)記模型。

進一步地，所述訓(xùn)練模塊包括：卷積/池化模塊，用于對所述樣本冠狀動脈OCT圖像進行卷積和池化得到特征圖；反卷積層模塊，用于對所述特征圖進行上采樣得到上采樣圖；校正模塊，用于對所述上采樣圖進行類平衡校正得到校正圖；權(quán)重校正模塊，用于對所述校正圖進行權(quán)重校正得到權(quán)重校正圖；細(xì)化模塊，用于對所述權(quán)重校正圖進行細(xì)化處理獲得支架標(biāo)記模型和內(nèi)壁標(biāo)記模型。

本發(fā)明提出的基于OCT影像的支架檢測與評估的深度學(xué)習(xí)方法及系統(tǒng)，通過對樣本冠狀動脈OCT圖像進行訓(xùn)練獲得支架標(biāo)記模型和內(nèi)壁標(biāo)記模型，根據(jù)支架標(biāo)記模型和內(nèi)壁標(biāo)記模型獲取支架和內(nèi)壁的位置，進而獲得支架的貼壁情況和支架的覆蓋情況，從而能夠自動地、準(zhǔn)確地為經(jīng)皮冠狀動脈介入治療術(shù)中及術(shù)后提供直觀的、量化的支架貼壁情況和覆蓋情況分析。本發(fā)明提出的深度學(xué)習(xí)方法及系統(tǒng)識別率較高、性能穩(wěn)定、檢測準(zhǔn)確率較高。

附圖說明

通過結(jié)合附圖進行的以下描述，本發(fā)明的實施例的上述和其它方面、特點和優(yōu)點將變得更加清楚，附圖中：

圖1為基于OCT影像的支架檢測與評估的深度學(xué)習(xí)系統(tǒng)的示意圖；

圖2為圖1中探測單元的示意圖；

圖3為圖1中數(shù)據(jù)處理單元的示意圖；

圖4為圖3中支架訓(xùn)練模塊的示意圖；

圖5為圖4中第一訓(xùn)練模塊的示意圖；

圖6為圖5中第一權(quán)重模塊的示意圖；

圖7為圖3中內(nèi)壁訓(xùn)練模塊的示意圖；

圖8為圖7中第二訓(xùn)練模塊的示意圖；

圖9為圖8中第二權(quán)重模塊的示意圖；

圖10為基于OCT影像的支架檢測與評估的深度學(xué)習(xí)方法的流程圖；

圖11為獲取支架標(biāo)記模型和內(nèi)壁標(biāo)記模型的流程圖；

圖12為對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型的流程圖；

圖13為對訓(xùn)練集進行全卷積網(wǎng)絡(luò)端到端訓(xùn)練的流程圖；

圖14A為利用經(jīng)皮冠狀動脈介入治療術(shù)中支架的訓(xùn)練數(shù)據(jù)集合進行全卷積網(wǎng)絡(luò)訓(xùn)練的示意圖；

圖14B為利用經(jīng)皮冠狀動脈介入治療術(shù)后支架的訓(xùn)練數(shù)據(jù)集合進行全卷積網(wǎng)絡(luò)訓(xùn)練的示意圖；

圖15A為利用經(jīng)皮冠狀動脈介入治療術(shù)中內(nèi)壁的訓(xùn)練數(shù)據(jù)集合進行全卷積網(wǎng)絡(luò)訓(xùn)練的示意圖；

圖15B為利用經(jīng)皮冠狀動脈介入治療術(shù)后內(nèi)壁的訓(xùn)練數(shù)據(jù)集合進行全卷積網(wǎng)絡(luò)訓(xùn)練的示意圖；

圖16為不同貼壁情況的支架及其中心到內(nèi)壁的最短歐式距離的示意圖；

圖17為不同覆蓋情況的支架及其中心到內(nèi)壁的最短歐式距離的示意圖；

圖18為經(jīng)皮冠狀動脈介入治療術(shù)中冠狀動脈內(nèi)的支架的位置、內(nèi)壁的位置以及支架的貼壁情況；

圖19為經(jīng)皮冠狀動脈介入治療術(shù)后冠狀動脈內(nèi)的支架的位置、內(nèi)壁的位置以及支架的覆蓋情況。

具體實施方式

以下，將參照附圖來詳細(xì)描述本發(fā)明的實施例。然而，可以以許多不同的形式來實施本發(fā)明，并且本發(fā)明不應(yīng)該被解釋為限制于這里闡述的具體實施例。相反，提供這些實施例是為了解釋本發(fā)明的原理及其實際應(yīng)用，從而使本領(lǐng)域的其他技術(shù)人員能夠理解本發(fā)明的各種實施例和適合于特定預(yù)期應(yīng)用的各種修改。

參照圖1，本實施例提供的基于OCT影像的支架檢測與評估的深度學(xué)習(xí)系統(tǒng)包括依次連接的探測單元1、光信號處理單元2、數(shù)據(jù)處理單元3及顯示單元5。本實施例中的支架指的是生物可吸收支架。

探測單元1用于采集待檢測的冠狀動脈內(nèi)的光信號，光信號處理單元2用于對光信號進行處理并以待檢測的冠狀動脈OCT圖像的形式呈現(xiàn)，數(shù)據(jù)處理單元3用于對待檢測的冠狀動脈OCT圖像進行處理，以實現(xiàn)支架和冠狀動脈的內(nèi)壁的自動檢測并根據(jù)支架和內(nèi)壁的相對位置評估支架的貼壁情況及覆蓋情況，顯示單元5用于對支架的貼壁情況或覆蓋情況進行顯示。其中，為了便于對支架的貼壁情況及覆蓋情況進行存儲，本實施例提供的基于OCT影像的支架檢測與評估的深度學(xué)習(xí)系統(tǒng)還包括數(shù)據(jù)存儲單元4，其用于對數(shù)據(jù)處理單元3的檢測結(jié)果進行存儲并將檢測結(jié)果發(fā)送給顯示單元5進行顯示。

參照圖2，探測單元1包括探針11、導(dǎo)管12及導(dǎo)絲13。導(dǎo)絲13用于將探針11引入冠狀動脈。探針11包括光纖110和探頭111，導(dǎo)管12用于包裹光纖110和探頭111以保護探頭111，光纖110用于帶動探頭111在導(dǎo)管12內(nèi)進行回拉運動，支架位于冠狀動脈內(nèi)，通過探頭111采集冠狀動脈的光信號并通過光纖110將采集的光信號發(fā)送給光信號處理單元2，經(jīng)光信號處理單元2處理后便可以獲得待檢測的冠狀動脈OCT圖像。

參照圖3，數(shù)據(jù)處理單元3包括檢測單元30及訓(xùn)練單元。訓(xùn)練單元用于對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和內(nèi)壁標(biāo)記模型，檢測單元30用于對待檢測的冠狀動脈OCT圖像進行處理并根據(jù)支架標(biāo)記模型和內(nèi)壁標(biāo)記模型檢測支架和內(nèi)壁。

具體的，檢測單元30包括依次連接的圖像獲取模塊31、支架檢測模塊32、內(nèi)壁檢測模塊33、計算模塊34及圖像輸出模塊35。

圖像獲取模塊31用于接收光信號處理單元2發(fā)送的待檢測的冠狀動脈OCT圖像。支架檢測模塊32用于根據(jù)支架標(biāo)記模型獲取待檢測的冠狀動脈OCT圖像中的支架所在的區(qū)域及支架的中心，其中支架檢測模塊3還用于對檢測到的支架所在的區(qū)域及支架的中心進行標(biāo)記。內(nèi)壁檢測模塊33用于根據(jù)內(nèi)壁標(biāo)記模型獲取待檢測的冠狀動脈OCT圖像中的冠狀動脈的內(nèi)壁的位置，其中內(nèi)壁檢測模塊33還用于對檢測到的內(nèi)壁進行標(biāo)記。

計算模塊34用于計算支架的中心與冠狀動脈的內(nèi)壁的最短距離并根據(jù)所述最短距離是否不大于第一距離閾值獲得支架的貼壁情況、或根據(jù)所述最短距離是否不大于第二距離閾值獲得支架的覆蓋情況。除此之外，計算模塊34還用于計算支架的覆蓋情況，其中，支架的覆蓋情況通過支架的覆蓋率來表示即被覆蓋的支架占總支架的百分比。支架的貼壁情況能夠為經(jīng)皮冠狀動脈介入治療術(shù)中提供指導(dǎo)，從而提高冠狀動脈介入治療手術(shù)的成功率；支架的覆蓋情況能夠為經(jīng)皮冠狀動脈介入治療術(shù)后隨訪提供指導(dǎo)，從而有效降低術(shù)后形成支架血栓的可能性。

圖像輸出模塊35用于將支架的貼壁情況或覆蓋情況發(fā)送給顯示單元5進行顯示。

訓(xùn)練單元可以同時對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和內(nèi)壁標(biāo)記模型，也可以分別對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和內(nèi)壁標(biāo)記模型。本實施例中訓(xùn)練單元分別對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和內(nèi)壁標(biāo)記模型。訓(xùn)練單元包括支架訓(xùn)練模塊40和內(nèi)壁訓(xùn)練模塊50。

參照圖4，支架訓(xùn)練模塊40利用樣本冠狀動脈OCT圖像和支架標(biāo)記樣本，采用深度學(xué)習(xí)進行端到端、像素到像素全卷積網(wǎng)絡(luò)的方法訓(xùn)練出可以標(biāo)記冠狀動脈OCT圖像中支架位置的支架標(biāo)記模型。支架訓(xùn)練模塊40包括第一樣本輸入模塊41及第一訓(xùn)練模塊42。其中，支架標(biāo)記樣本指的是樣本冠狀動脈OCT圖像中專家手動標(biāo)記出支架位置的圖像。

第一樣本輸入模塊41用于獲取冠狀動脈段內(nèi)所得到的一定數(shù)量的樣本冠狀動脈OCT圖像，這里，樣本冠狀動脈OCT圖像為包含有支架的冠狀動脈OCT圖像，例如，樣本冠狀動脈OCT圖像的數(shù)量為10000張，其中，獲取的樣本冠狀動脈OCT圖像為基于笛卡爾坐標(biāo)空間的圖像，樣本冠狀動脈OCT圖像的大小為1024*1024像素*像素，樣本冠狀動脈OCT圖像為8位灰度圖，即圖像中的像素點的灰度值范圍為0～255。第一訓(xùn)練模塊42用于對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型。

參照圖5，具體的，第一訓(xùn)練模塊42包括第一卷積/池化模塊421、第一反卷積層模塊422、第一校正模塊423、第一權(quán)重校正模塊424及第一細(xì)化模塊425。

第一卷積/池化模塊421用于對樣本冠狀動脈OCT圖像依次交替進行n次卷積和n次池化，得到n個池化層A₁,A₂,......A_i,......A_n，i＝1～n。第一反卷積層模塊422用于依次對n個池化層A_n,A_n-1,......A_i,......A₁進行像素到像素的全卷積網(wǎng)絡(luò)訓(xùn)練，得到n個上采樣預(yù)測B_n,B_n-1,......B_i,......B₁。第一校正模塊423用于對n個上采樣預(yù)測B_n,B_n-1,......B_i,......B₁進行類平衡校正，得到n個校正圖。第一權(quán)重校正模塊424用于對n個校正圖進行權(quán)重校正，得到n個校正權(quán)重。第一細(xì)化模塊425用于根據(jù)n個校正權(quán)重對所述n個校正圖進行融合細(xì)化，獲得支架標(biāo)記模型并將支架標(biāo)記模型發(fā)送給支架檢測模塊32，支架檢測模塊32將支架標(biāo)記模型應(yīng)用到待檢測的冠狀動脈OCT圖像上，能夠得到待檢測的冠狀動脈OCT圖像中每一點的預(yù)測類別，從而得到支架精準(zhǔn)的定位和標(biāo)記。

參照圖6，第一權(quán)重校正模塊424包括第一損失計算模塊100、第一反向傳播模塊101及第一權(quán)重更新模塊102。

第一損失計算模塊100用于計算校正圖的權(quán)重與權(quán)重閾值的差。第一反向傳播模塊101用于獲取校正圖的反向傳播調(diào)權(quán)矩陣。第一權(quán)重更新模塊102用于根據(jù)校正圖的權(quán)重與權(quán)重閾值的差對反向傳播調(diào)權(quán)矩陣進行更新并根據(jù)更新后的反向傳播調(diào)權(quán)矩陣對校正圖進行權(quán)重校正得到權(quán)重校正圖。

參照圖7，內(nèi)壁訓(xùn)練模塊50利用樣本冠狀動脈OCT圖像和內(nèi)壁標(biāo)記樣本，采用深度學(xué)習(xí)進行端到端、像素到像素全卷積網(wǎng)絡(luò)的方法訓(xùn)練出可以標(biāo)記冠狀動脈OCT圖像中內(nèi)壁位置的內(nèi)壁標(biāo)記模型。內(nèi)壁訓(xùn)練模塊50包括第二樣本輸入模塊51及第二訓(xùn)練模塊52。其中，內(nèi)壁標(biāo)記樣本指的是樣本冠狀動脈OCT圖像中專家手動標(biāo)記出內(nèi)壁位置的圖像。

第二樣本輸入模塊51用于獲取冠狀動脈段內(nèi)所得到的一定數(shù)量的樣本冠狀動脈OCT圖像，例如，樣本冠狀動脈OCT圖像的數(shù)量為10000張，其中，獲取的樣本冠狀動脈OCT圖像為基于笛卡爾坐標(biāo)空間的圖像，樣本冠狀動脈OCT圖像的大小為1024*1024像素*像素，樣本冠狀動脈OCT圖像為8位灰度圖，即圖像中的像素點的灰度值范圍為0～255。第二訓(xùn)練模塊52用于對樣本冠狀動脈OCT圖像進行訓(xùn)練得到內(nèi)壁標(biāo)記模型。

參照圖8，具體的，第二訓(xùn)練模塊52包括第二卷積/池化模塊521、第二反卷積層模塊522、第二校正模塊523、第二權(quán)重校正模塊524及第二細(xì)化模塊525。

第二卷積/池化模塊521用于對樣本冠狀動脈OCT圖像進行卷積和池化得到特征圖。第二反卷積層模塊522用于對特征圖進行上采樣得到上采樣圖。第二校正模塊523用于對上采樣圖進行類平衡校正得到校正圖。第二權(quán)重校正模塊524用于對校正圖進行權(quán)重校正得到權(quán)重校正圖。第二細(xì)化模塊525用于對權(quán)重校正圖進行細(xì)化處理獲得內(nèi)壁標(biāo)記模型并將內(nèi)壁標(biāo)記模型發(fā)送給內(nèi)壁檢測模塊33，內(nèi)壁檢測模塊33將內(nèi)壁標(biāo)記模型應(yīng)用到待檢測的冠狀動脈OCT圖像上，能夠得到待檢測的冠狀動脈OCT圖像中每一點的預(yù)測類別，從而得到內(nèi)壁精準(zhǔn)的定位和標(biāo)記。

參照圖9，第二權(quán)重校正模塊524包括第二損失計算模塊200、第二反向傳播模塊201及第二權(quán)重更新模塊202。

第二損失計算模塊200用于計算校正圖的權(quán)重與權(quán)重閾值的差。第二反向傳播模塊201用于獲取校正圖的反向傳播調(diào)權(quán)矩陣。第二權(quán)重更新模塊202用于根據(jù)校正圖的權(quán)重與權(quán)重閾值的差對反向傳播調(diào)權(quán)矩陣進行更新并根據(jù)更新后的反向傳播調(diào)權(quán)矩陣對校正圖進行權(quán)重校正得到權(quán)重校正圖。

參照圖10，本實施例還提供了一種基于OCT影像的支架檢測與評估的深度學(xué)習(xí)方法，所述深度學(xué)習(xí)方法包括以下步驟：

步驟S1、獲取待檢測的冠狀動脈OCT圖像；其中，通過圖像獲取模塊31獲取待檢測的冠狀動脈OCT圖像。

步驟S2、根據(jù)支架標(biāo)記模型獲取待檢測的冠狀動脈OCT圖像中的支架的位置，其中，通過支架檢測模塊32獲取待檢測的冠狀動脈OCT圖像中的支架的位置。

步驟S3、根據(jù)內(nèi)壁標(biāo)記模型獲取待檢測的冠狀動脈OCT圖像中的冠狀動脈的內(nèi)壁的位置，通過內(nèi)壁檢測模塊33獲取待檢測的冠狀動脈OCT圖像中的冠狀動脈的內(nèi)壁的位置。

參照圖11，具體的，支架標(biāo)記模型、內(nèi)壁標(biāo)記模型由以下步驟獲得：

步驟S21、獲取樣本冠狀動脈OCT圖像，通過第一樣本輸入模塊41、第二樣本輸入模塊51獲取樣本冠狀動脈OCT圖像。其中，第一樣本輸入模塊41還用于獲取支架標(biāo)記樣本；第二樣本輸入模塊51還用于獲取內(nèi)壁標(biāo)記樣本。

步驟S22、對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和內(nèi)壁標(biāo)記模型，通過第一訓(xùn)練模塊42對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型，通過第二訓(xùn)練模塊52對樣本冠狀動脈OCT圖像進行訓(xùn)練得到內(nèi)壁標(biāo)記模型。

本實施例中，對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型和對樣本冠狀動脈OCT圖像進行訓(xùn)練得到內(nèi)壁標(biāo)記模型的過程一樣，下面以對樣本冠狀動脈OCT圖像進行訓(xùn)練得到支架標(biāo)記模型為例來具體描述整個訓(xùn)練過程，為了描述方便，以下描述中訓(xùn)練集指的是樣本冠狀動脈OCT圖像。

參照圖12，步驟S22中對訓(xùn)練集進行訓(xùn)練得到支架標(biāo)記模型包括以下步驟：

S221、對訓(xùn)練集依次交替進行n次卷積和n次池化，得到n個池化層A₁,A₂,......A_i,......A_n，i＝1～n，通過第一卷積/池化模塊421對訓(xùn)練集依次交替進行n次卷積和n次池化，這里，依次交替進行n次卷積和n次池化是指先進行第1次卷積，在第1次卷積的基礎(chǔ)上進行第1次池化，然后在第1次池化的基礎(chǔ)上進行第2次卷積，再在第2次卷積的基礎(chǔ)上進行第2次池化，以此類推。其中，n為3～16，優(yōu)選的，n＝5。

S222、依次對n個池化層A_n,A_n-1,......A_i,......A₁進行像素到像素的全卷積網(wǎng)絡(luò)訓(xùn)練，得到n個上采樣預(yù)測B_n,B_n-1,......B_i,......B₁，通過第一反卷積層模塊422依次對n個池化層A_n,A_n-1,......A_i,......A₁進行像素到像素的全卷積網(wǎng)絡(luò)訓(xùn)練，第一反卷積層模塊422主要用于將上采樣圖進行放大，使得放大后的上采樣圖的大小與訓(xùn)練集的大小相同。

當(dāng)i＝1時，上采樣預(yù)測B_n是由池化層A_n以步幅為2ⁿ進行上采樣得到；當(dāng)i＝2～n時，上采樣預(yù)測B_n-i+1是由求和預(yù)測C_n-i+2以步幅為2^n-i+1進行上采樣得到，C_n-i+2由下式得到：

C_n-i+2＝D_n-i+1+E_n-i+1

其中，當(dāng)i＝2時，D_n-1是由池化層A_n以步幅為2進行上采樣得到；當(dāng)i＝3～n時，D_n-i+1是由求和預(yù)測C_n-i+3以步幅為2進行上采樣得到，E_n-i+1是由池化層A_n-i+1添加一個1×1卷積層得到。

S223、依次對n個上采樣預(yù)測B_n,B_n-1,......B_i,......B₁進行類平衡校正，得到n個校正圖W_n,W_n-1,......W_i,......W₁，通過第一校正模塊423依次對n個上采樣預(yù)測B_n,B_n-1,......B_i,......B₁進行類平衡校正，類平衡校正主要用于減輕上采樣圖中密集塊之間的空間聯(lián)系。

S224、依次對n個校正圖W_n,W_n-1,......W_i,......W₁進行權(quán)重校正，得到n個校正權(quán)重λ_n,λ_n-1,......λ_i,......λ₁，通過第一權(quán)重校正模塊424依次對n個校正圖W_n,W_n-1,......W_i,......W₁進行權(quán)重校正，其中，

具體的，依次對n個校正圖W_n,W_n-1,......W_i,......W₁進行權(quán)重校正，得到n個校正權(quán)重λ_n,λ_n-1,......λ_i,......λ₁包括以下步驟：

計算校正圖W_i的權(quán)重與權(quán)重閾值的差，通過第一損失計算模塊100計算校正圖W_i的權(quán)重與權(quán)重閾值的差；

獲取校正圖W_i的反向傳播調(diào)權(quán)矩陣，通過第一反向傳播模塊101獲取校正圖W_i的反向傳播調(diào)權(quán)矩陣，其中，采用極小化誤差的方法獲得校正圖W_i的反向傳播調(diào)權(quán)矩陣，通過學(xué)習(xí)權(quán)重的大小可以得到更適合的放大參數(shù)；

根據(jù)校正圖W_i的權(quán)重與權(quán)重閾值的差對反向傳播調(diào)權(quán)矩陣進行更新并根據(jù)更新后的反向傳播調(diào)權(quán)矩陣對校正圖W_i進行權(quán)重校正得到校正權(quán)重λ_i，通過第一權(quán)重更新模塊102對反向傳播調(diào)權(quán)矩陣進行更新。

S225、根據(jù)n個校正權(quán)重λ_n,λ_n-1,......λ_i,......λ₁對n個校正圖W_n,W_n-1,......W_i,......W₁進行融合細(xì)化，獲得支架標(biāo)記模型H，通過第一細(xì)化模塊425對n個校正圖W_n,W_n-1,......W_i,......W₁進行融合細(xì)化，其中，融合細(xì)化主要是實現(xiàn)深且粗燥層的語義信息和淺且精細(xì)層的表層信息的融合，通過下面的式子對n個校正圖W_n,W_n-1,......W_i,......W₁進行融合細(xì)化獲得支架標(biāo)記模型H：

在獲得支架標(biāo)記模型后，所述深度學(xué)習(xí)方法還包括：根據(jù)支架標(biāo)記模型獲取訓(xùn)練集中的支架區(qū)域；判斷支架區(qū)域是否與支架標(biāo)記樣本中的支架區(qū)域一致，若支架區(qū)域與支架標(biāo)記樣本中的支架區(qū)域一致，則將支架標(biāo)記模型存儲至第一訓(xùn)練模塊42，以便于后續(xù)支架檢測模塊3進行調(diào)用。若支架區(qū)域與支架標(biāo)記樣本中的支架區(qū)域不一致，則再次執(zhí)行步驟S224～S225，進行第一權(quán)重校正模塊424的校正，利用深度學(xué)習(xí)端到端、像素到像素的全卷積網(wǎng)絡(luò)重新訓(xùn)練支架標(biāo)記模型，直到支架區(qū)域與支架標(biāo)記樣本中的支架區(qū)域一致，存儲支架標(biāo)記模型。

下面通過一個具體示例來描述對訓(xùn)練集進行訓(xùn)練得到支架標(biāo)記模型的具體過程。參照圖13，圖13示出了對訓(xùn)練集進行全卷積網(wǎng)絡(luò)端到端訓(xùn)練的流程圖。輸入樣本冠狀動脈OCT圖像，這里，n＝5，對樣本冠狀動脈OCT圖像依次交替進行5次卷積和5次池化后得到5個卷積層和5個池化層，5個卷積層分別為卷積1、卷積2、卷積3、卷積4、卷積5，5個池化層分別為池化1、池化2、池化3、池化4及池化5，其中，卷積層的輸入是樣本冠狀動脈OCT圖像或者圖像特征，通過一線性變換輸出新的圖像特征，池化層主要將多個數(shù)值映射到一個數(shù)值，池化層連接在卷積層后面，用于加強學(xué)習(xí)到的圖像特征的非線性、增強學(xué)習(xí)的特征的平移不變性。線性變換單元采用糾正線性單元ReLU(Rectified Linear Units)，在卷積層后面增加上述糾正線性單元ReLU，主要用于將卷積層的映射結(jié)果盡量稀疏一些，更接近人的視覺反應(yīng)，從而使圖像處理效果更好。對池化5進行步幅為2⁵上采樣，產(chǎn)生FCN-32s(Full convolutional network-32stride)圖像。在上述過程基礎(chǔ)上，將粗糙的高層信息和精細(xì)的低層信息相結(jié)合，形成無回路有向網(wǎng)絡(luò)，產(chǎn)生FCN-16s((Full convolutional network-16stride)圖像和FCN-8s(Full convolutional network-8stride)圖像。具體過程如下：在池化4即A₄上添加一個1x1的卷積層，產(chǎn)生池化4預(yù)測即E₄，在池化5即A₅上，以步幅為2⁵進行上采樣預(yù)測(2x上采樣初始化為非線性差值，但可以在過程中學(xué)習(xí)，進而改變調(diào)整)得到FCN-32s圖像即B₅；將池化5經(jīng)步幅為2上采樣預(yù)測得到第一上采樣預(yù)測即D₄，將第一上采樣預(yù)測D₄與池化4預(yù)測E₄相加得到求和預(yù)測C₅，對求和預(yù)測C₅以步幅為2⁴進行上采樣得到FCN-16s圖像即B₄；在此基礎(chǔ)上，在池化3即A₃上添加一個1x1卷積層，產(chǎn)生池化3預(yù)測即E₃，將求和預(yù)測C₄經(jīng)步幅為2上采樣預(yù)測得到第二上采樣預(yù)測即D₃，將第二上采樣預(yù)測D₃與池化3預(yù)測E₃相加得到求和預(yù)測C₄，對求和預(yù)測C₄以步幅為2³進行上采樣得到FCN-8s圖像即B₃，此時，圖像處理達(dá)到較好的水平，不再繼續(xù)，再執(zhí)行步驟S223-S225，得到支架標(biāo)記模型

參照圖14，圖14A示出了利用經(jīng)皮冠狀動脈介入治療術(shù)中支架的訓(xùn)練數(shù)據(jù)集合進行全卷積網(wǎng)絡(luò)訓(xùn)練的過程示意圖，圖14B示出了利用經(jīng)皮冠狀動脈介入治療術(shù)后支架的訓(xùn)練數(shù)據(jù)集合進行全卷積網(wǎng)絡(luò)訓(xùn)練的過程示意圖。

參照圖15，圖15A示出了利用經(jīng)皮冠狀動脈介入治療術(shù)中內(nèi)壁的訓(xùn)練數(shù)據(jù)集合進行全卷積網(wǎng)絡(luò)訓(xùn)練的過程示意圖，圖15B示出了利用經(jīng)皮冠狀動脈介入治療術(shù)后內(nèi)壁的訓(xùn)練數(shù)據(jù)集合進行全卷積網(wǎng)絡(luò)訓(xùn)練的過程示意圖。

步驟S4、計算支架的中心與冠狀動脈的內(nèi)壁的最短距離并根據(jù)最短距離是否不大于第一距離閾值獲得支架的貼壁情況、或根據(jù)最短距離是否不大于第二距離閾值獲得支架的覆蓋情況，通過計算模塊34計算支架的中心與冠狀動脈的內(nèi)壁的最短距離，本實施例中距離指的是歐式距離。

具體的，第i個支架的中心的坐標(biāo)(x_c(i)、y_c(i))的計算公式為：

其中，n_i為第i個支架內(nèi)的像素點總數(shù)，x_ij、y_ij分別為第i個支架內(nèi)的第j個像素點的橫坐標(biāo)、縱坐標(biāo)。

計算第i個支架的中心與冠狀動脈的內(nèi)壁的最短距離根據(jù)下式計算：

其中，d(i)表示第i個支架的中心到內(nèi)壁的最短歐式距離，m表示內(nèi)壁上的像素點的總數(shù)，x_c(i)、y_c(i)為第i個支架的中心的坐標(biāo)，x_l(j)、y_l(j)為內(nèi)壁上的第j個像素點的坐標(biāo)。

參照圖16，圖16示出了不同貼壁情況的支架及其中心到內(nèi)壁的最短歐式距離的示意圖。圖中標(biāo)出了支架輪廓、支架中心和內(nèi)壁輪廓，并對示意最短距離d的局部區(qū)域C和局部區(qū)域D進行了放大。

參照圖17，圖17示出了不同覆蓋情況的支架及其中心到內(nèi)壁的最短歐式距離的示意圖。圖中標(biāo)出了支架輪廓、支架中心和內(nèi)壁輪廓，并對示意最短距離d的局部區(qū)域進行了放大。

計算出支架的中心到內(nèi)壁的最短歐式距離后，可根據(jù)確定好的第一距離閾值來判斷支架的貼壁情況，其中，距離閾值根據(jù)支架的厚度和試驗結(jié)果確定。具體來說，如果支架的中心到內(nèi)壁的最短歐式距離小于等于第一距離閾值，則該支架的貼壁情況為貼壁良好；如果支架的中心到內(nèi)壁的最短歐式距離大于第一距離閾值，則該支架的貼壁情況為貼壁不良。

計算出支架的中心到內(nèi)壁的最短歐式距離后，可根據(jù)確定好的第二距離閾值來判斷支架的覆蓋情況。其中，第二距離閾值可根據(jù)經(jīng)驗和實際情況進行設(shè)置。具體來說，如果支架的中心到內(nèi)壁的最短歐式距離小于第二距離閾值，則該支架被內(nèi)壁覆蓋不完全；如果支架的中心到內(nèi)壁的最短歐式距離大于或等于第二距離閾值，則該支架被內(nèi)壁完全覆蓋。

步驟S5、對支架的貼壁情況或覆蓋情況進行顯示，通過顯示單元5對支架的貼壁情況或覆蓋情況進行顯示。

參照圖18，其示出了經(jīng)皮冠狀動脈介入治療術(shù)中冠狀動脈內(nèi)的支架的位置、內(nèi)壁的位置以及支架的貼壁情況。其中，實心白色區(qū)域表示貼壁良好的支架，擬合的樣條曲線表示貼壁不良的支架。

參照圖19，其示出了經(jīng)皮冠狀動脈介入治療術(shù)后冠狀動脈內(nèi)的支架的位置、內(nèi)壁的位置以及支架的覆蓋情況。其中，實心白色區(qū)域表示沒有被內(nèi)壁完全覆蓋的支架，擬合的樣條曲線表示被內(nèi)壁完全覆蓋的支架。

在實際臨床應(yīng)用中，關(guān)于本實施例的基于OCT影像的支架檢測與評估的深度學(xué)習(xí)方法的具體實施過程如下：

(1)經(jīng)皮冠狀動脈介入治療術(shù)中支架的貼壁情況的分析即基線分析包括以下步驟：

步驟S10，臨床醫(yī)生基于冠狀動脈的X光造影圖像，通過經(jīng)皮冠狀動脈介入將生物可吸收支架植入到病灶位置，即冠狀動脈堵塞最狹窄處；

步驟S20，通過對球囊加壓，將支架撐開，但在X光造影圖像中不能觀察到支架撐開后的貼壁情況；

步驟S30，通過血管內(nèi)光學(xué)相干斷層掃描技術(shù)對植入支架的冠狀動脈段進行掃描成像；

步驟S40，臨床醫(yī)生在圖形用戶界面上選擇基線分析，便可利用本實施例提出的深度學(xué)習(xí)方法確定支架與冠狀動脈的內(nèi)壁之間的貼壁情況，并獲取反映支架的貼壁情況的圖像；

步驟S50，臨床醫(yī)生根據(jù)反映冠狀動脈內(nèi)支架的貼壁情況的圖像進行判斷，如果支架完全貼壁，則手術(shù)結(jié)束；如果支架未完全貼壁，則返回步驟S20，通過球囊重新對支架與冠狀動脈的內(nèi)壁貼合不良的位置進行擴張，重復(fù)執(zhí)行步驟S20-S40，直到支架完全貼壁，手術(shù)結(jié)束。

(2)經(jīng)皮冠狀動脈介入治療術(shù)后支架的覆蓋情況的分析即隨訪分析包括以下步驟：

步驟S10，通過血管內(nèi)光學(xué)相干斷層掃描技術(shù)對植入支架的冠狀動脈段進行掃描成像；

步驟S20，臨床醫(yī)生在圖形用戶界面上選擇隨訪分析，便可利用本實施例提出的深度學(xué)習(xí)方法確定支架與內(nèi)壁的相對位置，判斷支架是否被內(nèi)壁完全覆蓋，并獲取反映支架的覆蓋情況的圖像；

步驟S30，臨床醫(yī)生根據(jù)反映冠狀動脈內(nèi)支架覆蓋情況的圖像進行判斷，確定下一步的治療措施。

本實施例提出的基于OCT影像的支架檢測與評估的深度學(xué)習(xí)方法及系統(tǒng)，通過對樣本冠狀動脈OCT圖像進行訓(xùn)練獲得支架標(biāo)記模型和內(nèi)壁標(biāo)記模型，根據(jù)支架標(biāo)記模型和內(nèi)壁標(biāo)記模型獲取支架和內(nèi)壁的位置，進而獲得支架的貼壁情況和支架的覆蓋情況，從而能夠自動地、準(zhǔn)確地為經(jīng)皮冠狀動脈介入治療術(shù)中及術(shù)后提供直觀的、量化的支架貼壁情況和覆蓋情況分析。本實施例提出的深度學(xué)習(xí)方法及系統(tǒng)識別率較高、性能穩(wěn)定、檢測準(zhǔn)確率較高。

以上所述僅是本申請的具體實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本申請原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本申請的保護范圍。