OCT影像下冠状动脉管腔轮廓的深度网络分割方法

oct影像下冠状动脉管腔轮廓的深度网络分割方法
技术领域
1.本发明属于数据信息处理技术领域，具体涉及一种针对oct影像下冠状动脉管腔轮廓的自动分割方法。


背景技术：

2.随着我国老龄化进程的加剧，心血管疾病的发病率愈加攀升。现行的诊疗手段只能通过造影观察病变部位轮廓不足以满足精准定位病灶的需求。光学相干断层成像技术(optical coherence tomography，oct)，是近年来继x
‑
ct和mri技术后的又一大技术突破。oct成像的原理与超声波类似，是运用反射的近红外线作为成像媒介形成影像。光学相干断层成像被广泛应用于冠状动脉管腔内部的高分辨率断层成像，获取高分辨率的血管内壁图像，通过观察图片可揭示内膜撕裂、斑块脱垂等病灶，通过时序采样揭示血栓成因，。便于医生进行精确采样，在冠状动脉的介入治疗中具有重要作用。。
3.然而面对日益繁多的患者，紧靠医生人工诊疗，已不能满足快速诊疗需求。且随着工作量的加剧，人难免会产生疲劳。因疲劳而产生的误诊反而不利于患者的治疗。现代医学中，对于病灶的推理往往都是基于医生对于病患的表观症状，生理检验等一系列数据而做出的。构建oct影像中冠状动脉内壁进行自动分割方法，可为冠脉管腔狭窄、支架脱落等病症判别提供定量标准，由此辅助医生诊疗，这能极大化加快医生诊疗的效率，同时也减少了因疲劳而产生的误诊率。
4.分水岭、level
‑
set等是常用的图像分割算法，但直接将该些方法应用于oct图像分割问题并不能获得好的分割结果，由于成像探针、血管分叉以及血管形变的影响，此类方法并不能够分割出完整的血管内壁轮廓，存在分割后轮廓不闭合、定位精度低等问题，无法满足临床的高精度分割要求。


技术实现要素：

5.本发明的目的是为了解决现有技术中存在的缺陷，提供一种oct影像下冠状动脉管腔轮廓的深度网络分割算法，实现oct图像切片中轮廓区域的准确分割，为医生制定方案提供精确诊断依据。
6.为了达到上述目的，本发明提供了一种oct影像下冠状动脉管腔轮廓的深度网络分割方法，该分割方法采用双支路深度卷积网络结构，一条支路分割oct影像对应的管腔区域掩膜，另一条支路预测管腔内壁轮廓，两个任务之间进行联合学习，耦合后的结果即为最终的分割轮廓。
7.更为具体的，本发明深度网络分割方法具体步骤如下：
8.s101、采集冠状动脉oct影像切片扫描序列，构建oct影像下冠状动脉数据集；再通过标注软件对每张oct图像切片的轮廓区域与管腔内壁轮廓进行标注，并生成对应的二值化掩码图；
9.s102、对s101中冠状动脉oct影像切片与对应的二值化掩码图分别进行预处理操
作，再分别将预处理后的oct图像切片和对应的二值化掩码图按照6:2:2的比例划分为训练集、验证集和测试集；
10.s103、设计双支路深度卷积网络分割模型，并设计用于分割的损失函数；
11.s104、选择合适的优化学习方法，设置相关的超参数，利用训练集和验证集对s103中所述双支路深度卷积网络分割模型进行训练；
12.s105、训练完成后，从测试集中任选一张冠状动脉oct影像切片，输入双支路深度卷积网络分割模型，加载训练好的模型权重进行分割，生成管腔/背景的概率图谱，分割出冠状动脉oct影像切片的血管内壁，并生成分割后的二值化掩码图。
13.优选地，s301中采用的双分支深度卷积网络分割模型的设计，对于给定输入特征图，首先经过编码器模块对缩小特征图尺度。后通过解码器模块扩大特征图尺度直至与输入尺度相同。设计损失函数对于网络进行约束。网络输出的特征图分为两条支路，并对其做不同的后处理。最终网络输出的结果为两条支路分割结果的耦合。
14.优选地，s103中所述双分支深度卷积网络分割模型，对于给定的输入特征图依次经四个编码器块和四个解码器块，然后经过1x1卷积进行通道数降维，最后输入至双支路联合处理，输出概率图谱；
15.其中，每个编码器块由两个卷积核大小为(3x3)的卷积层与一个max pool层构成，用于提取图像语义特征。每个解码器由两个卷积核为(3x3)卷积层与一个卷积核为(2x2)的反卷积层构成，用于扩大神经元感受野以获取高阶语义信息。编码器块和解码器块对于相同分辨率的特征图之间进行跳跃连接；然后经过3x3卷积进行通道数降维，最后经过双支路的联合处理输出概率图谱。概率图谱定义为图像上每个像素属于管腔/非管腔的概率，该概率值范围在(0,1)。
16.优选地，损失函数为l＝l
b
+l
m
，l
m
为dice coefficient函数，l
b
为binary cross entropy函数。其表达式分别为：
[0017][0018]
其中，output_size为像素个数，p与q为两个样本集，为网络预测的类别，y
i
为真实类别。
[0019]
优选地，s101中所述标注软件为itk
‑
snap；
[0020]
优选地，s102中所述预处理操作包括调整窗宽值、窗位值和归一化。
[0021]
优选地，s104中所述合适的优化学习方法为采用sgd优化器进行优化；所述相关的超参数包括学习率、batch_size(批尺寸)、动量和权重衰减系数。
[0022]
本发明相比现有技术具有以下优点：
[0023]
本发明采用双支路深度卷积网络，利用两个任务之间的相关性进行联合学习，并融合两个支路的结果获得最终的分割轮廓，能够对管腔内壁形状变化保持鲁棒，进而准确定位血管内壁轮廓，实现oct影像下冠状动脉管腔轮廓的准确分割。
[0024]
采用本发明方法能够对oct影像进行自动准确分割，辅助医生诊疗，有效加快诊疗的效率。
附图说明
[0025]
图1为本发明双支路深度卷积网络结构示意图；
[0026]
图2为采用本发明方法的分割结果；
[0027]
图3为分割轮廓在原图上的显示结果；
[0028]
图4为手工标记数据、及采用u
‑
net、v
‑
net算法与本发明分割结果的比对示意；
[0029]
图4中，蓝色线条为手工标记数据，红色线条为各类算法的分割结果曲线；
[0030]
图5为本发明深度网络分割方法的流程图。
具体实施方式
[0031]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0032]
本实施例采用本发明提供的一种oct影像下冠状动脉管腔轮廓的深度网络分割算法，对oct图像中管腔内壁进行分割，如图5所示，包括如下具体步骤：
[0033]
s101、采集冠状动脉oct影像切片扫描序列，构建oct影像下冠状动脉数据集；再通过标注软件对每张oct图像切片的轮廓区域与管腔内壁轮廓进行标注，并生成对应的二值化掩码图；
[0034]
本实施例的oct图像切片扫描序列采集自某医院的临床病例oct图像切片扫描序列，共计270张图像切片，数据格式为jpg格式，图像分辨率为512*512。本实施例利用itk
‑
snap软件对每张oct图像切片的管腔轮廓区域进行标注，并生成二值化掩码图。
[0035]
s102、为了配合网络训练，对s101中图像切片分别进行预处理操作，该图像切片包括oct图像切片和对应的二值化掩码图、管腔内壁轮廓图，本实施例中预处理操作包括：
[0036]
采用水平、翻转将训练集数据扩充为两倍使得网络训练更充分；
[0037]
对oct图像切片与对应的二值化掩码图进行归一化处理，以加速深度全卷积网络的收敛。
[0038]
再按照6:2:2的比例将预处理后的oct图像切片和对应的二值化掩码图进行划分，随机选取其中162张切片作为训练集，54张切片作为验证集，54张切片作为测试集。
[0039]
s103、设计双支路深度卷积网络分割模型，并设计用于分割的损失函数；
[0040]
如图1所示，网络设计为编解码双分支输出结构，以编解码网络为基础，设计了双分支输出结构。网络输出两类图像，一类为分割原图像中血管区域的mask，另一类即为分割血管内壁的boundary。对于这两类的输出，均来自于同一个患者的oct影像，其血管的边界应当是相同的。基于这方面的考虑，对于第一类输出mask图像进行一个canny边缘检测算法就能够获得其边界落款，此时获得的边缘与第二类轮廓进行一下耦合处理即可获得所需要的血管内壁轮廓。
[0041]
网络总体的loss function包括两项，一项为针对mask数据的dice coefficient，
另一项为针对boundary的binary cross entropy。总体的loss function的计算公式为：
[0042]
l＝l
b
+l
m
[0043]
dice coefficient是用来评估两个样本的相似度，其值一般介于0和1之间，因此我们的目标就是使得其值尽可能的大，既可以说明预测值与真实值之间的相似度更高。本模型中可以采用此函数来评估预测边界曲线与其真实值之间的相似度。其间的相似度可表示为：
[0044][0045]
网络的第二类输出再引入一个binary cross entropy函数对其进行约束
[0046][0047]
其中，output_size为像素个数，p与q为两个样本集，为网络预测的类别，y
i
为真实类别。
[0048]
s1031、如图1所示，借鉴编解码网络结构，该双支路深度卷积网络分割模型，对于给定的输入特征图依次经四个编码器块和四个解码器块，然后经过1x1卷积进行通道数降维，最后经过双支路联合处理输出概率图谱；
[0049]
其中，每个编码器块由两个卷积核大小为(3x3)的卷积层与一个max pool层构成，用于提取图像语义特征。每个解码器由两个卷积核为(3x3)卷积层与一个卷积核为(2x2)的反卷积层构成，用于扩大神经元感受野以获取高阶语义信息。编码器块和解码器块对于相同分辨率的特征图之间进行跳跃连接；然后经过1x1卷积进行通道数降维，最后经过双支路联合处理输出概率图谱；
[0050]
本实施例的双支路深度卷积网络分割模型，最后双支路联合处理输出概率图谱，概率图谱定义为图像上每个像素属于管腔/非管腔的概率，概率图谱值范围在0～1。
[0051]
s104、选择合适的优化学习方法，设置相关的超参数，并利用训练集进行迭代训练，利用验证集进行模型性评估能，以调节超参数；其中，合适的优化学习方法为采用sgd优化器进行优化；相关的超参数包括学习率、batch_size、动量和权重衰减系数；
[0052]
本实施例训练时的超参数都采用如下相同设置：batch_size设定为1；初始学习率设定为0.01。本实施例加载训练集，使用sgd优化器进行训练，持续训练到损失收敛为止，并不断利用验证集评估模型性能，以调节超参数。
[0053]
s105、训练完成后，对于测试集中任意一张oct图像切片，利用训练好的网络模型分割出管腔内壁区域，具体步骤为：
[0054]
在训练完成后，从测试集中任选一张冠状动脉oct影像切片，输入双支路深度网络分割模型，加载训练好的模型权重进行分割，得到概率图谱，将概率图谱进行二值化(概率值大于等于0.5的变为1，小于0.5的变为0)，生成最终的二值化分割掩码图，分割结果如图2所示。
[0055]
本实施例还对实验数据与u
‑
net和v
‑
net算法进行实验对比，通过u
‑
net与v
‑
net模型对实验数据进行训练。训练结果图如图4所示，图4对三种方案的分割结果进行了比对。图
中蓝色曲线为ground truth，红色曲线为各类算法分割的结果。通过图4可以看出，遇到较为复杂的血管分割时，u
‑
net算法与v
‑
net算法分割时不能获得闭合的分割曲线，而本发明算法能够准确的获得封闭轮廓曲线。
[0056]
此外，还通过dice对其结果进行评估。如下表，u
‑
net网络的dice指标为0.76，v
‑
net指标为0.79，而本方案的dice指标为0.82，明显高于其他两个方法，因此说明本方案能够获得更高的分割准确度。
[0057]
indicatorsu
‑
netv
‑
net本发明算法dice0.760.790.82