基于深度学习的中膜识别图像处理方法、装置和电子设备与流程

本申请涉及数据处理领域，具体地涉及基于深度学习的中膜识别图像处理方法、数据处理装置和电子设备。

背景技术：

1、专家共识推荐，根据oct影像选择支架建议：如果参考段中膜可见，那么测量的中膜层直径将被用作支架直径(-0.25毫米)的参考值；如果参考段中膜不可见，那么测量的管腔直径(+0.25毫米)将被用作支架直径的参考值。此外，临床中多支架手术策略需要考虑支架重合处的着陆点和选取多支架的规格，如弥漫病变pci过程中，若参考段中膜不可见，术者常面临无法确定合适支架着陆点和支架尺寸，自动识别中膜可以很好地为术者提供指导。因此在oct图像中，自动识别中膜获得其面积、直径，对于支架选取与置入支架提供了更丰富的临床参考数据。

2、有临床研究表明，相较于冠脉狭窄，斑块负荷可能是心血管疾病事件和死亡风险的主要预测因子。实际上，由于oct成像原理具有一定局限性，加上病变或器械(如导丝)的影响，部分血管中膜无法被有辨识度地呈现在血管oct影像中，故oct影像分析中退而求次用管腔面积狭窄率作为判断血管狭窄程度的因子之一。自动识别中膜为斑块负荷信息的计算提供了有效数据支撑，而斑块负荷信息为oct的科学研究和临床手术策略的制定提供更多有意义的参考数据。

3、在oct图像中，正常血管壁具有三层结构，分别是血管内膜、中膜与外膜。内膜反射信号通常较高，中膜的反射信号相对较低，外膜则往往表现为不均的高反射信号。从图像灰度上来区分，中膜区域灰度一般略低于内膜与外膜。而在病变血管壁中，斑块一般会导致血管壁三层结构特征衰减或缺失，这样就会导致在一段完整的回撤图像中，只有部分较为清晰的中膜是较好识别的，而其他部分的图像中膜可能与内膜与外膜灰度相差较小，或根本不存在中膜区域，这将给中膜识别的任务带来一定的难度。

4、因此，期待一种基于深度学习的中膜识别图像处理方案。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了基于深度学习的中膜识别图像处理方法、数据处理装置和电子设备，其可以为术后术者选择支架规格和多支架重合段着陆点提供更多参考，一定程度上降低pci术后并发症的发生概率。

2、根据本申请的一方面，提供了一种基于深度学习的中膜识别图像处理方法，其包括：

3、获取待处理中膜区域部分缺失图像；

4、将所述待处理中膜区域部分缺失图像通过训练完成的中膜区域识别网络以从所述待处理中膜区域部分缺失图像提取中膜轮廓；

5、基于所述待处理中膜区域部分缺失图像中的管腔轮廓，对所述中膜轮廓进行插值处理以得到中膜还原图像；以及

6、基于所述中膜还原图像来计算斑块负荷。

7、根据本申请的另一方面，提供了一种基于深度学习的中膜识别图像处理装置，其包括：

8、图像获取模块，用于获取待处理中膜区域部分缺失图像；

9、中膜轮廓提取模块，用于将所述待处理中膜区域部分缺失图像通过训练完成的中膜区域识别网络以从所述待处理中膜区域部分缺失图像提取中膜轮廓；

10、插值处理模块，用于基于所述待处理中膜区域部分缺失图像中的管腔轮廓，对所述中膜轮廓进行插值处理以得到中膜还原图像；以及

11、斑块负荷计算模块，用于基于所述中膜还原图像来计算斑块负荷。

12、根据本申请的又一方面，提供一种电子设备，其包括：

13、处理器；以及

14、存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于深度学习的中膜识别图像处理方法。

15、根据本申请的又一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有计算机程序指令，当所述计算机程序指令被计算装置执行时，可操作来执行如上所述的基于深度学习的中膜识别图像处理方法。

16、本申请提供的基于深度学习的中膜识别图像处理方法、装置和电子设备可以行之有效地降低pci术后并发症的发生概率。

技术特征：

1.一种基于深度学习的中膜识别图像处理方法，其特征在于，包括：

2.如权利要求1所述的基于深度学习的中膜识别图像处理方法，其中，所述中膜区域识别网络包括res2net-50。

3.如权利要求1所述的基于深度学习的中膜识别图像处理方法，其中，基于所述待处理中膜区域部分缺失图像中的管腔轮廓，对所述中膜轮廓进行插值处理以得到中膜还原图像，包括：

4.如权利要求3所述的基于深度学习的中膜识别图像处理方法，其中，基于所述中膜还原图像来计算斑块负荷，包括：

5.如权利要求1至4任一所述的基于深度学习的中膜识别图像处理方法，还包括：

6.如权利要求5所述的基于深度学习的中膜识别图像处理方法，其中，基于所述已知中膜区域第一帧中的中膜曲线s1和所述已知中膜区域第二帧中的中膜曲线s2，对所述中膜还原图像中的中膜曲线进行插值以得到再优化中膜还原图像，包括：

7.如权利要求2所述的基于深度学习的中膜识别图像处理方法，其中，所述中膜区域识别网络的训练过程，包括：

8.一种基于深度学习的中膜识别图像处理装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，当所述计算机程序指令被计算装置执行时，可操作来执行如权利要求1-7中任一项所述的基于深度学习的中膜识别图像处理方法。

技术总结
提供了一种基于深度学习的中膜识别图像处理方法、装置和电子设备。该基于深度学习的中膜识别图像处理方法，包括：获取待处理中膜区域部分缺失图像；将所述待处理中膜区域部分缺失图像通过训练完成的中膜区域识别网络以从所述待处理中膜区域部分缺失图像提取中膜轮廓；基于所述待处理中膜区域部分缺失图像中的管腔轮廓，对所述中膜轮廓进行插值处理以得到中膜还原图像；以及，基于所述中膜还原图像来计算斑块负荷。这样，为术后术者选择支架规格和多支架重合段着陆点提供更多参考，一定程度上降低PCI术后并发症的发生概率。

技术研发人员：刘梦情,王正义,成杰,张林涛
受保护的技术使用者：苏州微创阿格斯医疗科技有限公司
技术研发日：
技术公布日：2024/3/4