本發(fā)明屬于醫(yī)學(xué)工學(xué)人工智能，涉及一種基于ccta與ivus的圖像配準(zhǔn)和斑塊識(shí)別方法。

背景技術(shù)：

1、冠心病常用的影像檢查手段為有創(chuàng)性冠狀動(dòng)脈造影（invasive?coronaryangiography，ica）和冠狀動(dòng)脈?ct?血管成像（coronary?ct?angiography，ccta）。ica盡管是冠脈解剖狹窄評(píng)估的金標(biāo)準(zhǔn)，然而ica僅僅顯示被造影劑充填的管腔輪廓，通過管腔充盈缺損影像間接反映冠脈的狹窄病變，造影獲取的信息量十分有限，對(duì)造成管腔狹窄的斑塊評(píng)估信息提供存在不可避免的缺陷。血管內(nèi)超聲（intravascular?ultrasound,?ivus）可直觀顯示斑塊大小、性質(zhì)以及提供一些定量指標(biāo)評(píng)估斑塊的進(jìn)展，且可改善急性冠脈綜合癥的風(fēng)險(xiǎn)預(yù)測(cè)。然而，仍然由于其檢查方法的有創(chuàng)性，使得在臨床上應(yīng)用也存在受限。

2、隨著成像技術(shù)及后處理技術(shù)的飛速發(fā)展及革新，非侵入性ccta在診斷冠心病中的地位及作用不斷提高，目前已經(jīng)成為冠心病篩查的一線工具。但是且相較于ivus，由于ct設(shè)備硬件限制或者掃描因素等導(dǎo)致的空間分辨力及圖像分辨力顯著受限等原因，最終致使其在斑塊評(píng)估方面仍與ivus存在一定的差距。另一方面，傳統(tǒng)ccta的后處理和診斷依靠醫(yī)生人工處理和判讀，比較耗時(shí)費(fèi)力、人為主觀因素干擾較多，研究表明，診斷醫(yī)師圖像后處理及書寫報(bào)告的平均時(shí)間為13.6～18.0min。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于，提供一種基于ccta與ivus的斑塊識(shí)別方法和系統(tǒng)，以解決現(xiàn)有技術(shù)中ccta圖像的斑塊內(nèi)組織的成分占比識(shí)別對(duì)人工分析太過依賴的技術(shù)問題。

2、為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

3、第一方面，本技術(shù)公開了一種基于ccta與ivus的圖像配準(zhǔn)方法，包括：

4、獲取ccta圖像與ivus圖像，并分別進(jìn)行預(yù)處理，得到預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像；

5、將預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像進(jìn)行配準(zhǔn)，得到配準(zhǔn)圖；

6、其中，對(duì)ccta圖像與ivus圖像，分別進(jìn)行預(yù)處理，具體包括：將ccta圖像通過冠脈血管分割算法分割出所有冠狀動(dòng)脈，然后對(duì)冠脈進(jìn)行拉直，生成cpr拉直圖；在ivus圖像上確定出ivus圖像上斑塊中的各種成分，并對(duì)各種成分進(jìn)行區(qū)分標(biāo)注；分別在ivus圖像和cpr拉直圖上標(biāo)注出同一病灶的起點(diǎn)和長度，得到預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像；

7、所述將預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像進(jìn)行配準(zhǔn)，得到配準(zhǔn)圖，具體包括：以標(biāo)注的起點(diǎn)和長度信息對(duì)預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像配準(zhǔn)，得到配準(zhǔn)圖。

8、第二方面，本技術(shù)公開了一種基于ccta與ivus的斑塊識(shí)別方法，包括：

9、獲取ccta圖像與ivus圖像，并分別進(jìn)行預(yù)處理，得到預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像；

10、將預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像進(jìn)行配準(zhǔn)；得到配準(zhǔn)圖，對(duì)配準(zhǔn)圖采樣，得到采樣切塊；

11、將采樣切塊輸入到預(yù)設(shè)的斑塊成分預(yù)測(cè)模型中進(jìn)行識(shí)別，得到冠狀動(dòng)脈斑塊內(nèi)組織的成分占比；

12、其中，對(duì)ccta圖像與ivus圖像，分別進(jìn)行預(yù)處理，具體包括：將ccta圖像通過冠脈血管分割算法分割出所有冠狀動(dòng)脈，然后對(duì)冠脈進(jìn)行拉直，生成cpr拉直圖；在ivus圖像上確定出ivus圖像上斑塊中的各種成分，并對(duì)各種成分進(jìn)行區(qū)分標(biāo)注；分別在ivus圖像和cpr拉直圖上標(biāo)注出同一病灶的起點(diǎn)和長度，得到預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像；

13、所述將預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像進(jìn)行配準(zhǔn)，得到配準(zhǔn)圖，具體包括：以標(biāo)注的起點(diǎn)和長度信息對(duì)預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像配準(zhǔn)，得到配準(zhǔn)圖。

14、優(yōu)選地所述對(duì)配準(zhǔn)圖采樣，得到采樣切塊，具體為：

15、對(duì)配準(zhǔn)圖以1cm-5cm為單位，0.5cm-2cm為步長，在病灶范圍內(nèi)依次采樣，得到采樣切塊。

16、優(yōu)選地，所述ivus圖像上斑塊中的各種成分包括：壞死核心,?纖維組織、纖維脂質(zhì)和致密鈣。

17、優(yōu)選地，所述預(yù)設(shè)的斑塊成分預(yù)測(cè)模型包括：

18、卷積神經(jīng)網(wǎng)絡(luò)，用于提取每一層的圖像特征；

19、循環(huán)神經(jīng)網(wǎng)絡(luò)，用于將圖像特征進(jìn)行層與層之間的特征融合，得到整體特征；

20、全連接層，用于對(duì)整體特征的占比進(jìn)行回歸，得到冠狀動(dòng)脈斑塊內(nèi)組織的成分占比。

21、優(yōu)選地，所述采樣切塊包括：ivus圖像切塊和cpr拉直圖切塊；所述的斑塊成分預(yù)測(cè)模型的構(gòu)建方法包括：

22、計(jì)算ivus圖像切塊內(nèi)病灶各成分的體積與采樣切塊內(nèi)血管體積的比值，以所述比值為金標(biāo)準(zhǔn)；

23、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)分別對(duì)采樣切塊進(jìn)行圖像特征提取和圖像特征融合，得到整體特征；

24、整體特征輸入全連接層內(nèi)，全連接層實(shí)現(xiàn)對(duì)整體特征內(nèi)各成分占比的回歸；得到成分占比回歸結(jié)果；

25、根據(jù)成分占比回歸結(jié)果與金標(biāo)準(zhǔn)作比對(duì)，通過損失函數(shù)計(jì)算出模型損失，根據(jù)模型損失用反向傳輸算法迭代更新卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)和全連接層的參數(shù)至損傷收斂，得到斑塊成分預(yù)測(cè)模型。

26、第三方面，本技術(shù)公開了一種基于ccta與ivus的冠狀動(dòng)脈斑塊識(shí)別系統(tǒng)，包括：

27、預(yù)處理單元，用于獲取ccta圖像與ivus圖像，并分別進(jìn)行預(yù)處理，得到預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像；

28、配準(zhǔn)采樣單元，用于將預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像進(jìn)行配準(zhǔn)；得到配準(zhǔn)圖，對(duì)配準(zhǔn)圖采樣，得到采樣切塊；

29、識(shí)別單元，用于將采樣切塊輸入到預(yù)設(shè)的斑塊成分預(yù)測(cè)模型中進(jìn)行識(shí)別，得到冠狀動(dòng)脈斑塊內(nèi)組織的成分占比；

30、其中，對(duì)ccta圖像與ivus圖像，分別進(jìn)行預(yù)處理，具體包括：將ccta圖像通過冠脈血管分割算法分割出所有冠狀動(dòng)脈，然后對(duì)冠脈進(jìn)行拉直，生成cpr拉直圖；在ivus圖像上確定出ivus圖像上斑塊中的各種成分，并對(duì)各種成分進(jìn)行區(qū)分標(biāo)注；分別在ivus圖像和cpr拉直圖上標(biāo)注出同一病灶的起點(diǎn)和長度，得到預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像；

31、所述將預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像進(jìn)行配準(zhǔn)，得到配準(zhǔn)圖，具體包括：以標(biāo)注的起點(diǎn)和長度信息對(duì)預(yù)處理后的ccta圖像與預(yù)處理后的ivus圖像配準(zhǔn)，得到配準(zhǔn)圖。

32、優(yōu)選地，所述預(yù)設(shè)的斑塊成分預(yù)測(cè)模型包括：

33、卷積神經(jīng)網(wǎng)絡(luò)，用于提取每一層的圖像特征；

34、循環(huán)神經(jīng)網(wǎng)絡(luò)，用于將圖像特征進(jìn)行層與層之間的特征融合，得到整體特征；

35、全連接層，用于對(duì)整體特征的占比進(jìn)行回歸，得到冠狀動(dòng)脈斑塊內(nèi)組織的成分占比。

36、第四方面，本技術(shù)公開了一種電子設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述任一項(xiàng)所述的基于ccta與ivus的斑塊識(shí)別方法的步驟。

37、第五方面，本技術(shù)公開了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任一項(xiàng)所述的基于ccta與ivus的斑塊識(shí)別方法的步驟。

38、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

39、本技術(shù)所公開基于ccta與ivus的圖像配準(zhǔn)方法，有效提升了ccta冠脈拉直圖與ivus圖像的配準(zhǔn)精度。而ccta冠脈拉直圖與ivus圖像的精準(zhǔn)配準(zhǔn)，結(jié)合冠脈開口標(biāo)定和病灶區(qū)域標(biāo)注，使得兩種模態(tài)的圖像能夠完美對(duì)齊，為病灶區(qū)域的精確分析提供了可能。

40、本技術(shù)利用斑塊成分預(yù)測(cè)模型基于病灶區(qū)域標(biāo)注，對(duì)ccta圖像的組織成分進(jìn)行自動(dòng)識(shí)別，并輸出組織內(nèi)各成分占比；提高了醫(yī)生的工作效率；同時(shí)避免了傳統(tǒng)方法對(duì)人工分析的依賴。該技術(shù)顯著增強(qiáng)了局部特征捕獲和序列信息處理能力。其高效的模型設(shè)計(jì)和成分分析方法，不僅提升了效率和一致性，還為冠心病診斷、治療方案制定及隨訪提供了科學(xué)依據(jù)，具備較強(qiáng)的創(chuàng)新性與臨床適用價(jià)值。

41、進(jìn)一步地，本技術(shù)以ivus成分占比為金標(biāo)準(zhǔn)，訓(xùn)練模型，提供了更加可靠的識(shí)別結(jié)果。