论文部分内容阅读
心血管病已发展成为我国居民疾病死亡的第一大杀手，对中国国民健康和国家经济发展造成了难以估量的危害。易损斑块则是头号致死心血管疾病——冠心病的一种主要病因。由于OCT成像技术相比其他现有成像技术具有更高的分辨率，而且能清楚地观测冠状动脉成分(脂质、钙化、纤维斑块)，特别是在识别易损斑块方面发挥重大作用。由于人工分析OCT心血管图像费时费力和不同医生之间的主观性差异等因素，使用计算机智能图像识别技术，自动识别出病患的 OCT 心血管图像序列中易损斑块的所在位置对于辅助医生诊断治疗冠心病有重大意义。因此本课针对OCT心血管图像中易损斑块的自动识别算法进行研究。 本课题的主要研究内容是基于深度学习方法的 OCT 心血管图像易损斑块识别算法。主要研究内容分为两部分：第一部分研究基于编码器-解码器结构的深度学习分割网络模型，编码器中主干网络替换为广泛应用于各种计算机视觉任务的ResNet和ResNext，并在网络中加入了空洞卷积，增加了特征图的感受野。解码器部分受目标检测领域方法的启发，加入了特征金字塔模块与空间金字塔池化模块，使得网络更好地整合了多尺度的特征信息。在训练过程中采用改进的损失函数并加入了辅助损失，提升了模型的训练效果。在实验中通过观测算法在验证数据集的表现，说明本文提出的基于编码器-解码器结构的网络模型可以准确分割出易损斑块区域，且推断时间较短；第二部分主要是针对U-Net提出了几种创新的改进使其适用于本课题中的易损斑块分割问题：包括将U-Net的编码器部分替换为预训练的分类网络，在网络中加入残差单元有助于训练中梯度的反向传播，加入循环卷积单元有效的利用了特征汇集带来的更强的特征映射能力；将两种单元结构进行组合，得到了一个新的残差循环 U-Net 模改进后型。通过对比改进前和改进后的 U-Net 在斑块分割上的表现，模型准确度有了大幅提高。 本课题实验结果显示，对照专家的手工分割结果，本文提出的方法在OCT心血管数据集上对易损斑块的分割结果在 MIoU 指标上最高能达到 0.78。本文提出的分割网络基本满足临床上OCT心血管图像的易损斑块识别的基本要求，对医生分析OCT心血管图像和进行后续的介入治疗有一定参考价值。