基于OCT的心血管植入支架自动检测与评估方法及系统

摘要

本发明提供了提供一种基于OCT的心血管植入支架自动检测与评估的方法及系统，所述方法包括以下步骤：获取待检测的冠状动脉OCT图像；对所述待检测的冠状动脉OCT图像进行预处理；对预处理后的图像进行滑窗遍历；对滑窗图像进行特征提取；判断提取的滑窗图像的特征值是否大于分类器模型对应的特征阈值；检测滑窗图像中支架所在的区域及支架的中心；检测预处理后的图像中冠状动脉的内壁轮廓；计算支架的中心与所述冠状动脉的内壁轮廓的最短距离获得支架的贴壁情况或覆盖情况；对支架的贴壁情况或覆盖情况进行显示。本发明提出的方法及系统，不受血液伪影等噪声的影响，能在复杂的成像环境下工作，支架检测准确率较高，具有较好的鲁棒性。

说明书

技术领域

本发明涉及医疗器械技术领域，尤其涉及一种基于OCT的心血管植入支架自动检测与评估方法及系统。

背景技术

冠心病，也称冠状动脉粥样硬化性心脏病，主要是由于脂肪物质和动脉粥样硬化斑块在冠状动脉壁内大量堆积而造成心肌缺血、缺氧或坏死所致，是世界范围内死亡率最高的疾病之一。目前，治疗冠心病最主要的手段是经皮冠状动脉介入治疗(PercutaneousCoronary Intervention，PCI)手术，利用特制的带气囊导管经由外周动脉送入冠状动脉狭窄处或堵塞处，在狭窄或堵塞的冠状动脉处充盈球囊并放置支架用以扩张血管管腔，同时防止血管再狭窄，从而改善血管内的血液流通情况。

然而，目前在支架植入及术后随访中存在两个问题：一、由于X光造影图像的分辨率较低，无法清楚获知支架放置的情况，导致手术过程中支架放置不良，尤其是支架贴壁不良，从而引起支架内血栓；二、由于支架贴壁不良及其他原因导致术后支架再内皮化程度低，内膜覆盖率低，从而引起支架内血栓，严重威胁病人生命安全。因此，经皮冠状动脉介入治疗手术过程中及术后血管内结构的成像质量及实时分析对于手术的成功率、完成质量和病人的术后康复有重要影响。

目前，血管内光学相干断层扫描(Intravascular Optical CoherenceTomography，IVOCT)成像系统以其高分辨率而成为近年来极具发展前景的血管内成像技术，其轴向分辨率可达5-15um，纵向分辨率约为25um，探测深度约为2mm，因此可通过IVOCT图像实时评估PCI手术过程中的支架贴壁情况和术后随访内膜覆盖情况。机器学习是目前计算机领域极具前景的多领域交叉学科，专门研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习方法基于大量正负样本，通过对正负样本的特征分析训练分类器，因此对噪声的敏感性极低，检测准确率较高，具有较好的鲁棒性，可用于光学相干断层扫描(Optical CoherenceTomography，OCT)影像中支架的检测与定位。

现有针对血管IVOCT图像的支架自动检测方法主要是基于图像灰度，利用IVOCT图像中支架与周边组织不同的灰度与梯度特性来进行支架检测。该方法的缺点是对血液伪影等噪声的敏感性较高，对成像质量的要求较高，支架检测的准确率较低，不具有较好的鲁棒性。

发明内容

为了解决上述问题，本发明提出一种基于OCT的心血管植入支架自动检测与评估方法及系统，能够自动检测支架的位置并获得支架的贴壁情况或支架的覆盖情况，检测准确率较高，具有较好的鲁棒性。

本发明提出的具体技术方案为：提供一种基于OCT的心血管植入支架自动检测与评估的方法，所述方法包括以下步骤：获取待检测的冠状动脉OCT图像；对所述待检测的冠状动脉OCT图像进行预处理，以获得预处理后的图像；对所述预处理后的图像进行滑窗遍历，以获得多个滑窗图像；对所述滑窗图像进行特征提取；判断提取的所述滑窗图像的特征值是否大于分类器模型所对应的特征阈值，若提取的特征值大于所述特征阈值，则所述滑窗图像含有支架；检测所述滑窗图像中支架所在的区域及支架的中心；检测所述预处理后的图像中冠状动脉的内壁轮廓；计算所述支架的中心与所述冠状动脉的内壁轮廓的最短距离并根据所述最短距离是否不大于第一距离阈值获得所述支架的贴壁情况或根据所述最短距离是否不大于第二距离阈值获得所述支架的覆盖情况；对所述预处理后的图像中支架的贴壁情况或覆盖情况进行显示。

进一步地，判断提取的所述滑窗图像的特征是否与分类器模型的特征匹配步骤中所述分类器模型由以下步骤获得：获取样本冠状动脉OCT图像，所述样本冠状动脉OCT图像的大小与所述滑窗图像的大小相等；分别提取所述样本冠状动脉OCT图像的特征值；对所述特征值进行训练获得分类器模型。

进一步地，提取所述样本冠状动脉OCT图像的特征值步骤包括：对所述样本冠状动脉OCT图像进行高斯平滑处理得到高斯金字塔；对所述高斯金字塔中相邻层之间进行差分处理得到高斯差分金字塔；提取所述高斯差分金字塔的特征值。

进一步地，对所述待检测的冠状动脉OCT图像进行预处理，以获得预处理后的图像步骤包括：将所述待检测的冠状动脉OCT图像变换为极坐标空间的OCT图像；检测所述极坐标空间的OCT图像中的导管区域并将所述导管区域从所述极坐标空间的OCT图像中去除；对去除导管区域后的极坐标空间的OCT图像进行高斯金字塔处理获得预处理后的图像。

进一步地，检测预处理后的图像中冠状动脉的内壁轮廓步骤包括：对所述极坐标空间的OCT图像进行二值化处理，以获得具有多个相互独立的连通区域的二值图像；对所述具有多个相互独立的连通区域的二值图像进行归一化处理，以获得归一化后的图像；对所述归一化后的图像进行扫描，以获得多个相互独立的内壁轮廓；对所述多个相互独立的内壁轮廓进行拟合，以获得完整的冠状动脉的内壁轮廓。

进一步地，所述方法还包括对所述预处理后的图像中支架的贴壁情况或覆盖情况进行显示之前将所述预处理后的图像的坐标空间变换为笛卡尔坐标空间。

进一步地，通过下式检测所述支架的中心：

其中，n_i为第i个支架内的像素点总数，x_ij、y_ij分别为第i个支架内的第j个像素点的横坐标、纵坐标。

本发明还提供了一种基于OCT的心血管植入支架自动检测与评估的系统，所述系统包括依次连接的探测单元、光信号处理单元、数据处理单元及显示单元，所述数据处理单元包括：图像获取模块，用于接收所述光信号处理单元发送的待检测的冠状动脉OCT图像并对所述待检测的冠状动脉OCT图像进行预处理，以获得预处理后的图像；滑窗处理模块，用于对所述预处理后的图像进行滑窗遍历，以获得多个滑窗图像；图像特征提取模块，用于对所述滑窗图像进行特征提取；分类模块，判断提取的所述滑窗图像的特征值是否大于分类器模型所对应的特征阈值，若提取的特征值大于所述特征阈值，则所述滑窗图像含有支架；支架检测模块，用于检测所述滑窗图像中支架所在的区域及支架的中心；内壁检测模块，用于检测所述预处理后的图像中冠状动脉的内壁轮廓；计算模块，用于计算所述支架的中心与所述冠状动脉的内壁轮廓的最短距离并根据所述最短距离是否不大于第一距离阈值获得所述支架的贴壁情况或根据所述最短距离是否不大于第二距离阈值获得所述支架的覆盖情况；图像输出模块，用于将所述预处理后的图像中支架的贴壁情况或覆盖情况发送给所述显示单元进行显示。

进一步地，所述数据处理单元还包括：样本输入模块，用于获取样本冠状动脉OCT图像；样本特征提取模块，用于提取所述样本冠状动脉OCT图像的特征值；分类器训练模块，用于对所述特征值进行训练获得分类器模型；模型输出模块，用于将所述分类器模型输出至所述分类模块。

进一步地，所述内壁检测模块包括：二值化模块，用于对所述极坐标空间的OCT图像进行二值化处理，以获得具有多个相互独立的连通区域的二值图像；归一化模块，用于对所述具有多个相互独立的连通区域的二值图像进行归一化处理，以获得归一化后的图像；扫描模块，用于对所述归一化后的图像进行扫描，以获得多个相互独立的内壁轮廓；轮廓拟合模块，用于对所述多个相互独立的内壁轮廓进行拟合，以获得完整的冠状动脉的内壁轮廓。

本发明提出的基于OCT的心血管植入支架自动检测与评估的方法及系统，通过对正样本冠状动脉OCT图像和负样本冠状动脉OCT图像进行特征训练获得分类器模型，根据所述分类器模型检测支架的位置，进而获得支架的贴壁情况和支架的覆盖情况，从而能够快速地、自动地为经皮冠状动脉介入治疗术中及术后提供直观的、量化的支架贴壁情况和覆盖情况分析。本发明提出的方法及系统不受血液伪影等噪声的影响，能在复杂的成像环境下工作，支架检测准确率较高，具有较好的鲁棒性。

附图说明

通过结合附图进行的以下描述，本发明的实施例的上述和其它方面、特点和优点将变得更加清楚，附图中：

图1为基于OCT的心血管植入支架自动检测与评估的系统的模块示意图；

图2为图1中探测单元的示意图；

图3为检测单元的模块示意图；

图4为图3中图像获取模块的模块示意图；

图5为图3中内壁检测模块的模块示意图；

图6为图3中训练单元的模块示意图；

图7为正负样本的示意图；

图8为图6中样本特征提取模块的模块示意图；

图9为基于OCT的心血管植入支架自动检测与评估的方法的流程图；

图10为图9中步骤S2的流程图；

图11为高斯金字塔的示意图；

图12为Haar特征模板的示意图；

图13为获得分类器模型的流程图；

图14为图13中步骤S20的流程图；

图15为高斯差分金字塔的示意图；

图16为图9中步骤S7的流程图；

图17为术中冠状动脉内的金属支架的支架轮廓与支架中心点及冠状动脉的内壁轮廓的标记情况及局部放大图；

图18为术中冠状动脉内的生物可吸收支架的支架轮廓与支架中心电及冠状动脉的内壁轮廓的标记情况及局部放大图；

图19为术后随访冠状动脉内的金属支架的支架轮廓与支架中心点及冠状动脉的内壁轮廓的标记情况及局部放大图；

图20为术后随访冠状动脉内的生物可吸收支架的支架轮廓与支架中心点及冠状动脉的内壁轮廓的标记情况及局部放大图；

图21为术中冠状动脉内金属支架的贴壁情况及其对应的原始图像；

图22为术中冠状动脉内生物可吸收支架的贴壁情况及其对应原始图像；

图23为术后随访冠状动脉内金属支架的覆盖情况及其对应原始图像；

图24为术后随访冠状动脉内生物可吸收支架的覆盖情况及其对应原始图像。

具体实施方式

以下，将参照附图来详细描述本发明的实施例。然而，可以以许多不同的形式来实施本发明，并且本发明不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。

参照图1，本实施例提供的基于OCT的心血管植入支架自动检测与评估的系统包括依次连接的探测单元1、光信号处理单元2、数据处理单元3及显示单元5。探测单元1用于采集冠状动脉内的光信号，光信号处理单元2用于对光信号进行处理并以冠状动脉OCT图像的形式呈现，数据处理单元3用于对冠状动脉OCT图像进行处理，以实现支架和冠状动脉的内壁轮廓的自动检测并根据支架和冠状动脉的内壁轮廓的相对位置评估支架的贴壁情况及覆盖情况，显示单元5用于对处理后的冠状动脉OCT图像中支架的贴壁情况或覆盖情况进行显示。其中，为了便于对支架的贴壁情况及覆盖情况进行存储，本实施例提供的基于OCT的心血管植入支架自动检测与评估的系统包括还包括数据存储单元4，其用于对数据处理单元3的检测结果进行存储并将检测结果发送给显示单元5进行显示。

参照图2，探测单元1包括探针11、导管12及导丝13。导丝13用于将探针11引入冠状动脉。探针11包括光纤110和探头111，导管12用于包裹光纤110和探头111以保护探头111，光纤110用于带动探头111在导管12内进行回拉运动，支架位于冠状动脉内，通过探头111采集冠状动脉的光信号并通过光纤110将采集的光信号发送给光信号处理单元2，经光信号处理单元2处理后便可以获得冠状动脉OCT图像。

参照图3，数据处理单元3包括检测单元30及训练单元40。训练单元40用于对样本冠状动脉OCT图像进行训练得到分类器模型，检测单元30用于对待检测的冠状动脉OCT图像进行处理并根据分类器模型检测支架。

具体的，检测单元30包括依次连接的图像获取模块31、滑窗处理模块32、图像特征提取模块33、分类模块34、支架检测模块35、内壁检测模块36、计算模块37及图像输出模块38。

参照图4，图像获取模块31用于接收光信号处理单元2发送的待检测的冠状动脉OCT图像并对待检测的冠状动脉OCT图像进行预处理。具体的，图像获取模块31包括第一空间变换模块310和预处理模块311。

第一空间变换模块310用于将笛卡尔坐标空间中的冠状动脉OCT图像变换为极坐标空间中的OCT图像。其中，冠状动脉OCT图像包括一次回拉过程中产生的多个OCT图像帧，多个OCT图像帧组成一幅连续的冠状动脉OCT图像，其反映的是一段冠状动脉的情况，每个OCT图像帧的大小为1024×1024，每个OCT图像帧可为8位灰度图，即图像中的像素点的灰度值范围为0～255。

由于在极坐标空间中的OCT图像中，导管12与支架在形态特征上呈现相当程度上的相似性，对支架检测会带来较严重的干扰，故在进行支架检测前应先将导管12从极坐标空间中的OCT图像中去除以减小干扰。预处理模块311用于检测极坐标空间的OCT图像中的导管区域并将导管区域从极坐标空间的OCT图像中去除，然后再对去除导管区域后的极坐标空间的OCT图像进行高斯金字塔处理获得预处理后的图像。

滑窗处理模块32用于对预处理后的图像进行滑窗遍历，以获得多个滑窗图像。图像特征提取模块33用于对滑窗图像进行特征提取。分类模块34用于判断提取的滑窗图像的特征是否与分类器模型的特征匹配，若提取的特征与分类器模型的特征匹配，则该滑窗图像含有支架。

支架检测模块35用于检测滑窗图像中支架所在的区域及支架的中心，其中支架检测模块35还用于对检测到的支架所在的区域及支架的中心进行标记。

参照图5，内壁检测模块36用于检测预处理后的图像中冠状动脉的内壁轮廓。具体的，内壁检测模块36包括二值化模块361、归一化模块362、扫描模块363及轮廓拟合模块364。二值化模块361用于对极坐标空间的OCT图像进行二值化处理，以获得具有多个相互独立的连通区域的二值图像。归一化模块362用于对具有多个相互独立的连通区域的二值图像进行归一化处理，以获得归一化后的图像。扫描模块363用于对归一化后的图像进行扫描，以获得多个相互独立的内壁轮廓。轮廓拟合模块364用于对多个相互独立的内壁轮廓进行拟合，以获得完整的冠状动脉的内壁轮廓。

计算模块37用于计算支架的中心与冠状动脉的内壁轮廓的最短距离并根据最短距离是否不大于第一距离阈值获得支架的贴壁情况或根据最短欧式距离是否不大于第二距离阈值获得支架的覆盖情况。除此之外，计算模块37还用于计算冠状动脉的内壁轮廓的覆盖率即被覆盖的支架占总支架的百分比。其中，支架的贴壁情况能够为经皮冠状动脉介入治疗术中提供指导，从而提高冠状动脉介入治疗手术的成功率；支架的覆盖情况能够为经皮冠状动脉介入治疗术后随访提供指导，从而有效降低术后形成支架血栓的可能性。

图像输出模块38用于将预处理后的图像中支架的贴壁情况或覆盖情况发送给显示单元5进行显示。

检测单元30还包括第二空间变换模块39，其用于在图像输出模块38将预处理后的图像中支架的贴壁情况或覆盖情况发送给显示单元5进行显示之前将预处理后的图像的坐标空间变换为笛卡尔坐标空间。

参照图6，训练单元40包括依次连接的样本输入模块41、样本特征提取模块42、分类器训练模块43、模型输出模块44。

样本输入模块41用于分别获取正样本冠状动脉OCT图像和负样本冠状动脉OCT图像。这里，正样本冠状动脉OCT图像是指包含支架的冠状动脉OCT图像，负样本冠状动脉OCT图像是指不包含支架的冠状动脉OCT图像。正样本冠状动脉OCT图像和负样本冠状动脉OCT图像的大小与滑窗图像的大小相等。

参照图7，本实施例中的支架包括金属支架和生物可吸收支架，图7示出了金属支架的基线分析(贴壁情况)正负样本和随访分析(覆盖情况)正负样本、生物可吸收支架的基线分析(贴壁情况)正负样本和随访分析(覆盖情况)正负样本。

参照图8，样本特征提取模块42用于分别提取正样本冠状动脉OCT图像和负样本冠状动脉OCT图像的特征值。具体的，样本特征提取模块42包括高斯金字塔处理模块421和特征获取模块422。高斯金字塔处理模块421用于分别对正样本冠状动脉OCT图像和负样本冠状动脉OCT图像进行高斯平滑处理得到正样本高斯金字塔和负样本高斯金字塔及分别对正样本高斯金字塔和负样本高斯金字塔中相邻层之间进行差分处理得到正样本高斯差分金字塔和负样本高斯差分金字塔。特征获取模块422用于计算正样本高斯差分金字塔和负样本高斯差分金字塔的特征值。

分类器训练模块43用于对正样本高斯差分金字塔和负样本高斯差分金字塔的特征值进行训练获得分类器模型。模型输出模块44用于存储分类器模型并将所述分类器模型输出至分类模块34。

参照图9，本实施例还提供了提供一种基于OCT的心血管植入支架自动检测与评估的方法，所述方法包括以下步骤：

步骤S1、获取待检测的冠状动脉OCT图像；其中，通过图像获取模块31获取待检测的冠状动脉OCT图像。

步骤S2、对所述待检测的冠状动脉OCT图像进行预处理，以获得预处理后的图像。

参照图10，具体的，步骤S2包括：

S21、将待检测的冠状动脉OCT图像变换为极坐标空间的OCT图像。其中，通过第一空间变换模块310将待检测的冠状动脉OCT图像变换为极坐标空间的OCT图像，坐标空间变换通过下面的式子实现：

θ＝arctan(y/x)

其中，x和y分别表示待检测的冠状动脉OCT图像中的像素点在笛卡尔坐标空间下的横坐标和纵坐标，θ和ρ分别表示待检测的冠状动脉OCT图像中的像素点在极坐标空间下的横坐标和纵坐标，从而得到极坐标空间的OCT图像。

S22、检测极坐标空间的OCT图像中的导管区域并将导管区域从极坐标空间的OCT图像中去除，通过预处理模块311检测极坐标空间的OCT图像中的导管区域并将导管区域从极坐标空间的OCT图像中去除。

具体的，设定一导管阈值，例如，导管12的最大半径为50个像素点，则可试着导管阈值为50。将极坐标空间的OCT图像中ρ值不大于导管阈值的像素点的灰度值设为0，从而获得导管区域。

S23、对去除导管区域后的极坐标空间的OCT图像进行高斯金字塔处理获得极坐标空间的OCT图像的高斯金字塔即预处理后的图像，通过预处理模块311对去除导管区域后的极坐标空间的OCT图像进行高斯金字塔处理获得预处理后的图像。

具体的，高斯金字塔处理用于对极坐标空间的OCT图像进行多尺度表达。其实现方法是将极坐标空间的OCT图像多次进行高斯模糊并且向下取样，从而产生不同尺寸下不同模糊程度的多组图片以进行后续处理。其中，同一尺寸下的图像构成高斯金字塔的每一级，而每级中不同高斯模糊程度的图像称为层。

下面通过具体的示例来描述高斯金字塔处理的过程。首先，对输入的OCT图像用参数为δ＝δ₀的高斯核进行一次高斯平滑处理得到第一级的第一层。然后，对OCT图像用δ＝kδ₀，k²δ₀，k³δ₀…依次进行高斯平滑处理得到第一级的后续若干层。本示例中δ₀值为2，每级的层数为6，则每一层所用的高斯平滑核参数分别为这样就得到了第一级所对应的6层图像，这6层图像的尺寸相同但模糊程度不同。

上一级所对应的最底层(即第一层)图像是由下一级的倒数第三层图像经过下采样得到的，这样做是为了保持尺度上的连续性。对第一级倒数第三层图像进行下采样得到第二级第一层图像，此时的高斯平滑核参数为则第二级所用的高斯平滑核参数分别为其中，2倍的关系正好保证了下采样过程中尺度空间的连续性。

以此类推，对上一级的倒数第三层图像进行下采样，再利用高斯平滑核依次进行平滑处理，得到每一级的所有层图像，最终得到若干级尺寸不同(级数不同)、模糊程度不同(层数不同)但在尺度空间上连续的若干张图像，构成了一幅图像的多尺度表达，从而完成了高斯金字塔的构建。图11示出了经过高斯平滑处理后得到的高斯金字塔。

步骤S3、对预处理后的图像进行滑窗遍历，以获得多个滑窗图像，通过滑窗处理模块32对预处理后的图像进行滑窗遍历。

具体的，滑窗处理模块32以小尺度滑窗遍历预处理后的图像，得到多个滑窗图像，便于后续支架的精确检测与定位。下面通过以下示例来描述滑窗遍历过程。对于金属支架，滑窗的大小取50*20像素*像素(但不限于50*20像素*像素)，对于生物可吸收支架，滑窗的大小取70*40像素*像素(但不限于70*40像素*像素)。滑窗步长可根据经验或实际情况进行设置，但不应大于滑窗的尺寸，否则会出现漏检测区域；也不宜过小，否则会增大计算量，增加耗时。优选的，滑窗步长为20像素。对大小为852*352的金属支架的图像，滑窗处理后形成697幅滑窗图像；对大小为552*352的生物可吸收支架的图像，滑窗处理后形成400幅滑窗图像。

步骤S4、对滑窗图像进行特征提取，通过图像特征提取模块33对滑窗图像进行特征提取。

具体的，如图12所示，本实施例采用Haar特征算子来进行特征提取。Haar特征主要有边缘特征、线性特征、中心特征、对角线特征四类，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该特征模板的特征值为白色矩形所包含的像素点的像素值之和减去黑色矩形所包含的像素点的像素值之和。由于支架在OCT图像中往往呈线性或中心特征，而周围组织往往呈灰度较低的块状结构，故采用线性特征和中心特征的模板能够明显区分支架与周边组织。本实施例中针对金属支架主要采用线性特征和中心特征，而针对生物可吸收支架主要采用线性特征。当然，也可以采用其他特征提取方法，这里不做限定。

图像特征提取模块33计算每一个滑窗图像在各个尺度上所对应的Haar特征的特征值，其中，Haar特征的特征值是由训练单元40对样本冠状动脉OCT图像进行训练得到。

步骤S5、判断提取的滑窗图像的Haar特征的特征值是否大于分类器模型对应的特征阈值，若提取的Haar特征的特征值大于分类器模型对应的特征阈值，则该滑窗图像含有支架；通过分类模块34判断提取的滑窗图像的Haar特征的特征值是否大于分类器模型对应的特征阈值。

由于支架典型的线性或中心特征，其线性或中心Haar特征的特征值的绝对值明显大于其他区域，分类器模型基于每一个滑窗图像的Haar特征的特征值分布情况，来对滑窗图像进行分类，以确定该滑窗图像是否含有支架。具体通过分类器模型对每一个滑窗图像在各个尺度上所对应的Haar特征的特征值进行检测，如果提取的Haar特征的特征值大于分类器模型对应的特征阈值，则该滑窗图像含有支架，反之则不含有支架。

参照图13，分类器模型由训练单元40通过下面的步骤得到：

步骤S10、获取样本冠状动脉OCT图像，样本冠状动脉OCT图像的大小与滑窗图像的大小相等；对于金属支架，样本冠状动脉OCT图像的大小取50*20像素*像素(但不限于50*20像素*像素)，对于生物可吸收支架，样本冠状动脉OCT图像的大小取70*40像素*像素(但不限于70*40像素*像素)，其中，样本冠状动脉OCT图像包括正样本冠状动脉OCT图像和负样本冠状动脉OCT图像，通过样本输入模块41获取样本冠状动脉OCT图像。

步骤S20、提取样本冠状动脉OCT图像的特征值，通过样本特征提取模块42分别提取样本冠状动脉OCT图像的特征值。

参照图14，具体的，步骤S20包括：

S201、对样本冠状动脉OCT图像进行高斯平滑处理得到高斯金字塔；其中，通过高斯金字塔处理模块421对样本冠状动脉OCT图像进行高斯平滑处理得到高斯金字塔，高斯金字塔平滑处理过程与步骤S23过程一样，这里不再赘述。

S202、对高斯金字塔中相邻层之间进行差分处理得到高斯差分金字塔；其中，通过高斯金字塔处理模块421对高斯金字塔中相邻层之间进行差分处理得到高斯差分金字塔，本实施例中，高斯金字塔的每一级的层数为6，则差分处理后，每一级的层数为5，如图15所示。其中，为了显示方便，采用对比度拉伸对高斯差分金字塔进行处理。

S203、提取高斯差分金字塔中的各Haar特征的特征值；其中，通过特征获取模块422提取高斯差分金字塔中的各Haar特征的特征值，使用的Haar特征模板可根据经验、实际情况来设置，本实施例中线性特征模板尺寸为20*12像素*像素(但不限于20*12像素*像素)，中心特征模板尺寸为10*10像素*像素(但不限于10*10像素*像素)，特征值提取过程与步骤S4一样，这里不再赘述。

步骤S30、对特征值进行训练获得分类器模型，其中，特征值为Haar特征的特征值，对Haar特征的特征值进行训练以挑选出最具分辨能力的Haar特征，从而得到分类器模型对应的特征阈值，通过分类器训练模块43对特征值进行训练获得分类器模型。

具体的，分类器训练模块43利用机器学习方法进行分类器训练，得到能检测并定位支架的分类器模型。分类器训练常用的方法有adaboost级联方法、支持向量机(SupportVector Machine，SVM)算法、人工神经网络(Artificial Neural Networks，ANN)算法等。根据样本特点，本实施例的分类器训练模块43采用adaboost级联方法(但不限于adaboost级联方法)对特征获取模块422提取的特征值的分布情况进行训练，其具体实施步骤如下：

1.输入样本特征提取模块42处理过后的训练样本图像x_i，i＝1,2,...n，其中，x_i表示的是第i个样本冠状动脉OCT图像的高斯差分金字塔，n为样本数量，设置训练轮数为T；

2.初始化第一轮样本权重W₁(i)＝1/n，即为训练样本的初始权重。

3.初始化弱分类器组合F(x)，F(x)＝0。

4.开始迭代：For t＝1,...,T

(1)在当前样本的权重分布下，针对样本图像x_i的Haar特征值，利用决策树训练弱分类器C_t；

(2)计算弱分类器C_t的错误率ε_t，这里采用但不限于采用带权分类误差，计算公式为：

ε_t＝∑W_t(i)I[C_t(x_i)≠y_i]

其中，W_t(i)表示第t轮样本的权重，C_t(x_i)表示第t个弱分类器对样本x_i的分类结果，y_i表示样本x_i的真实情况，I[C_t(x_i)≠y_i]为指示函数，计算式为：

(3)计算弱分类器权重α_t，计算公式为：

(4)更新弱分类器组合：

F(x)＝F(x)+α_tC_t(x)；

(5)更新样本权重：

5.输出强分类器：

模型输出模块44用于存储分类器训练模块43训练得到的强分类器模型，并在步骤S5中供分类模块34调用，将该强分类器模型作为步骤S5的分类器模型。

步骤S6、检测滑窗图像中支架所在的区域及支架的中心，通过支架检测模块35检测滑窗图像中支架所在的区域及支架的中心。

具体的，利用训练单元40对样本冠状动脉OCT图像进行训练得到分类器模型对应的特征阈值，判断滑窗图像的Haar特征的特征值的绝对值是否大于该特征阈值，大于该特征值阈值的区域即为支架所在的区域并对支架所在的区域进行标记得到支架区域。在标记出的支架区域中检测支架的中心并标记。支架的中心坐标计算公式为：

其中，n_i为第i个支架区域中的像素点总数，x_ij、y_ij分别为第i个支架区域内第j个像素点的横坐标、纵坐标。

步骤S7、检测预处理后的图像中冠状动脉的内壁轮廓，通过内壁检测模块36检测预处理后的图像中冠状动脉的内壁轮廓。

参照图16，具体的，步骤S7包括：

S71、对极坐标空间的OCT图像进行二值化处理，以获得具有多个相互独立的连通区域的二值图像，通过二值化模块361对极坐标空间的OCT图像进行二值化处理。

具体的，本实施例中采用大津法对极坐标空间的OCT图像进行二值化处理，得到具有多个相互独立的连通区域的二值图像。大津法进行二值化处理的核心是求出最佳阈值，使得图像的前景与背景的类间方差最大，其中，类间方差是图像灰度分布均匀性的一种度量。类间方差t的计算公式为：

t＝w₀(t)×(μ₀(t)-μ)²+w₁(t)×(μ₁(t)-μ)²

其中，w₀(t)、w₁(t)分别为背景像素点和前景像素点占整幅图像的像素点的比例，μ₀(t)、μ₁(t)分别为背景和前景的平均灰度，μ为整幅图像的平均灰度。

遍历整个极坐标空间的OCT图像的灰度级，寻找使类间方差t取最大值的灰度，即为大津法确定的二值化的最佳阈值。利用该阈值对极坐标空间的OCT图像进行二值化处理，例如，灰度值大于该阈值的像素点的灰度值设为1，灰度值小于该阈值的像素点的灰度值设为0，从而得到具有多个相互独立的连通区域的二值图像。

S72、对具有多个相互独立的连通区域的二值图像进行归一化处理，以获得归一化后的图像，通过归一化模块362对具有多个相互独立的连通区域的二值图像进行归一化处理。

具体的，在二值图像的多个相互独立的连通区域中寻找两个面积最大的连通区域，将这两个面积最大的连通区域的亮度值设为1即为高亮区域，将其他连通区域的亮度值设为0，从而获得归一化后的图像。

S73、对归一化后的图像进行扫描，以获得多个相互独立的内壁轮廓，通过扫描模块363对归一化后的图像进行扫描。

具体的，对归一化后的图像进行A线扫描，其中，A线为极坐标空间的OCT图像中对应于θ值的沿ρ轴方向的一条直线。对整个极坐标空间的OCT图像进行逐条A线扫描，将A线与灰度值为1的高亮区域的第一个交点作为内壁轮廓的点，从而得到多个相互独立的内壁轮廓。

S74、对多个相互独立的内壁轮廓进行拟合，以获得完整的冠状动脉的内壁轮廓，通过轮廓拟合模块364对多个相互独立的内壁轮廓进行拟合。

具体的，拟合方法可根据经验或实际情况来选择，本实施例中采用三次样条插值法(但不限于三次样条插值法)对多个相互独立的内壁轮廓进行拟合，从而得到完整而平滑的冠状动脉的内壁轮廓。

步骤S8、计算支架的中心与冠状动脉的内壁轮廓的最短距离并根据所述最短距离是否不大于第一距离阈值获得支架的贴壁情况或根据所述最短距离是否不大于第二距离阈值获得支架的覆盖情况。通过计算模块37计算支架的中心与冠状动脉的内壁轮廓的最短距离，本实施例中距离指的是欧式距离。

具体的，计算支架的中心与冠状动脉的内壁轮廓的最短距离根据下式计算：

其中，d(i)表示第i个支架的中心到内壁轮廓的最短欧式距离，m表示内壁轮廓上的像素点的总数，x_c(i)、y_c(i)为第i个支架的中心的坐标，x_l(j)、y_l(j)为内壁轮廓上的第j个像素点的坐标。

计算出支架的中心到内壁轮廓的最短欧式距离后，可根据确定好的第一距离阈值来判断支架的贴壁情况，其中，距离阈值根据支架的厚度和试验结果确定。具体来说，如果支架的中心到内壁轮廓的最短欧式距离小于等于第一距离阈值，则该支架的贴壁情况为贴壁良好；如果支架的中心到内壁轮廓的最短欧式距离大于第一距离阈值，则该支架的贴壁情况为贴壁不良。

计算出支架的中心到内壁轮廓的最短欧式距离后，可根据确定好的第二距离阈值来判断支架的覆盖情况。其中，第二距离阈值可根据经验和实际情况进行设置，本实施例中，第二距离阈值取为1个像素(但不限于1个像素)，即15μm。具体来说，如果支架的中心到内壁轮廓的最短欧式距离小于等于第二距离阈值，则该支架未被内壁覆盖；如果支架的中心到内壁轮廓的最短欧式距离大于第二距离阈值，则该支架被内壁覆盖。

计算出被内壁覆盖的支架位置及数量后，通过下式得到支架的覆盖率：

其中，p_n为支架的覆盖率，k_c为被内壁覆盖的支架数，k为支架总数。从而可以通过支架的覆盖率来量化内壁覆盖程度。

参照图17，其示出了经皮冠状动脉介入治疗术中冠状动脉内的金属支架的支架轮廓与支架中心点及冠状动脉的内壁轮廓的标记情况及局部放大图。

参照图18，其示出了经皮冠状动脉介入治疗术中冠状动脉内的生物可吸收支架的支架轮廓与支架中心电及冠状动脉的内壁轮廓的标记情况及局部放大图。

参照图19，其示出了经皮冠状动脉介入治疗术后随访冠状动脉内的金属支架的支架轮廓与支架中心点及冠状动脉的内壁轮廓的标记情况及局部放大图。

参照图20，其示出了经皮冠状动脉介入治疗术后随访冠状动脉内的生物可吸收支架的支架轮廓与支架中心点及冠状动脉的内壁轮廓的标记情况及局部放大图。

步骤S9、对笛卡尔坐标空间的OCT图像中支架的贴壁情况或覆盖情况进行显示。

在步骤S9之前，所述方法还包括将极坐标空间的OCT图像变换为笛卡尔坐标空间的OCT图像。其中，通过第二空间变换模块39将极坐标空间的OCT图像变换为笛卡尔坐标空间的OCT图像。

第二空间变换模块39通过下面的式子将极坐标空间的OCT图像变换为笛卡尔坐标空间的OCT图像：

x＝ρ×cosθ

y＝ρ×sinθ

其中，x和y分别表示冠状动脉OCT图像中的像素点在笛卡尔坐标空间下的横坐标和纵坐标，θ和ρ分别表示冠状动脉OCT图像中的像素点在极坐标空间下的横坐标和纵坐标。

参照图21，其示出了经皮冠状动脉介入治疗术中冠状动脉内金属支架的贴壁情况及其对应的原始图像。白色细轮廓线为血管内壁轮廓，白色粗实线代表贴壁良好的支架，白色空心线代表贴壁不良的支架。从图中可以清晰分辨出贴壁良好的支架与贴壁不良的支架，从而实现了基于OCT的心血管植入金属支架贴壁情况的自动检测与评估。

参照图22，其示出了经皮冠状动脉介入治疗术中冠状动脉内生物可吸收支架的贴壁情况及其对应原始图像。白色细轮廓线为血管内壁轮廓，白色实心区域代表贴壁良好的生物可吸收支架，白色空心区域代表贴壁不良的生物可吸收支架。从图中可以清晰分辨出贴壁良好支架与贴壁不良支架，从而实现了基于OCT的心血管植入生物可吸收支架贴壁情况的自动检测与评估。

参照图23，其示出了经皮冠状动脉介入治疗术后随访冠状动脉内金属支架的覆盖情况及其对应原始图像。白色细轮廓线为术后随访血管内壁轮廓，白色粗实线代表被内壁覆盖的金属支架，白色空心线代表未被内壁覆盖的金属支架。从图中可以清晰分辨出被覆盖和未被覆盖的金属支架，从而实现了基于OCT的心血管植入金属支架的覆盖情况的自动检测与评估。

参照图24，其示出了经皮冠状动脉介入治疗术后随访冠状动脉内生物可吸收支架的覆盖情况及其对应原始图像。白色细轮廓线为术后随访血管内壁轮廓，白色实心区域代表未被内壁覆盖的生物可吸收支架，白色空心区域代表被内壁覆盖的生物可吸收支架。从图中可以清晰分辨出被覆盖和未被覆盖的生物可吸收支架，从而实现了基于OCT的心血管植入生物可吸收支架的覆盖情况的自动检测与评估。

在实际临床应用中，关于本实施例的基于OCT的心血管植入支架自动检测与评估的方法的具体实施过程如下：

步骤S10，临床医生根据支架类型(金属支架或生物可吸收支架)和手术类型(术中支架贴壁情况分析或术后支架覆盖情况分析)，自行在本发明装置的图形用户界面选择相应选项，系统会根据医生的选项调用相应模块进行处理。若进行术中支架贴壁情况分析，则执行步骤S20；若进行术后支架覆盖情况分析，则执行步骤S70；

步骤S20，临床医生基于冠状动脉的X光造影图像，通过经皮冠状动脉介入将支架植入到病灶位置，即冠状动脉堵塞最狭窄处；

步骤S30，通过对球囊加压，将支架撑开，但在X光造影图像中不能观察到支架撑开后的贴壁情况；

步骤S40，通过血管内光学相干断层扫描(IVOCT)技术对植入支架的冠状动脉段进行扫描成像；

步骤S50，利用本实施例中基于OCT的心血管植入支架自动检测与评估的方法，基于获取的IVOCT图像确定支架与冠状动脉内壁之间的贴壁情况，并输出反映冠状动脉内支架贴壁情况的图像提供给临床医生；

步骤S60，临床医生根据反映冠状动脉内支架贴壁情况的图像进行判断，如果支架完全贴壁，则手术结束；如果支架未完全贴壁，则返回步骤S20，通过球囊重新对支架与冠状动脉内壁贴合不良的位置进行扩张，重复执行步骤S20-S40，直到支架完全贴壁，结束手术。

步骤S70，临床医生通过经皮冠状动脉介入将导管伸入植入支架的冠状动脉段，借助血管内光学相干断层扫描技术对植入支架的冠状动脉段进行扫描成像；

步骤S80，利用本实施例中基于OCT的心血管植入支架自动检测与评估的方法，基于获取的IVOCT图像确定支架覆盖情况，并输出反映冠状动脉内支架覆盖情况的图像提供给临床医生；

步骤S90，临床医生根据反映冠状动脉内支架覆盖情况的图像进行判断，如果支架覆盖率达到100％，则结束手术；如果支架覆盖率未达到100％，则根据步骤S80反映的冠状动脉内支架覆盖情况，确定并记录未被覆盖的支架位置，为后续治疗措施提供参考。

本发明提出的基于OCT的心血管植入支架自动检测与评估的方法及系统，通过对正样本冠状动脉OCT图像和负样本冠状动脉OCT图像进行特征训练获得分类器模型，根据所述分类器模型检测支架的位置，进而获得支架的贴壁情况和支架的覆盖情况，从而能够快速地、自动地为经皮冠状动脉介入治疗术中及术后提供直观的、量化的支架贴壁情况和覆盖情况分析。本发明提出的方法及系统不受血液伪影等噪声的影响，能在复杂的成像环境下工作，支架检测准确率较高，具有较好的鲁棒性。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。