基于CNN与弱监督定位的IVOCT图像中生物可吸收支架可视化

生物可吸收支架已成为治疗冠心病的流行选择，取代了传统金属支架。通常，使用血管内光学相干断层成像（IVOCT）评估植入后潜在的贴壁不良以及后续随访检查。通常，支架由专家手动审阅，逐一分析数百个图像切片。由于这很耗时，已有自动支架检测与可视化方法被提出，大多基于经典图像处理的金属支架检测。由于生物可吸收支架更难检测，近期方法已使用特征提取和机器学习方法进行自动检测。然而，这些方法需要每个图像切片中详细的像素级标签，以及针对特定支架类型的大量特征工程，这可能限制方法的泛化能力。因此，我们提出一种仅使用图像级标签的基于深度学习的生物可吸收支架可视化方法。训练卷积神经网络预测图像切片包含金属支架、生物可吸收支架还是无器件。然后，我们通过使用带引导反向传播的显著图进行弱监督定位来推导局部支架杆信息。由于显著图通常弥散且含噪，我们提出一种带图像平移的基于块的新方法，可实现高分辨率支架可视化。我们的卷积神经网络模型在图像级支架分类上达到99.0%的分类准确率，可用于高质量的切片内支架可视化及支架结构的三维渲染。