CN112967275B - 软组织运动预测方法、装置、终端设备及可读存储介质 - Google Patents

软组织运动预测方法、装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN112967275B
CN112967275B CN202110345245.8A CN202110345245A CN112967275B CN 112967275 B CN112967275 B CN 112967275B CN 202110345245 A CN202110345245 A CN 202110345245A CN 112967275 B CN112967275 B CN 112967275B
Authority
CN
China
Prior art keywords
soft tissue
term memory
memory network
time
long
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110345245.8A
Other languages
English (en)
Other versions
CN112967275A (zh
Inventor
张嘉乐
廖祥云
王琼
王平安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202110345245.8A priority Critical patent/CN112967275B/zh
Publication of CN112967275A publication Critical patent/CN112967275A/zh
Priority to PCT/CN2021/138567 priority patent/WO2022206036A1/zh
Application granted granted Critical
Publication of CN112967275B publication Critical patent/CN112967275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，尤其涉及软组织运动预测方法、装置、终端设备及可读存储介质。所述软组织运动预测方法获取原始图像序列，原始图像序列用于描述软组织在第一时间段的运动轨迹，将原始图像序列输入至预设的软组织运动预测模型进行处理，得到软组织运动预测模型输出的预测图像序列，预测图像序列用于描述预测到的软组织在与第一时间段相邻的第二时间段的运动轨迹；其中，软组织运动预测模型包括堆叠的多层长短期记忆网络单元，长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，长短期记忆网络单元包括自注意力模块。通过本申请提供的软组织运动预测方法可以有效提高软组织运动预测的效果和精度。

Description

软组织运动预测方法、装置、终端设备及可读存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及软组织运动预测方法、装置、终端设备及计算机可读存储介质。
背景技术
在高强度聚焦超声(high-intensity focused ultrasound，HIFU)影像引导的治疗中，软组织的运动会对治疗产生负面影响。因此，需要提前进行软组织运动预测。现有技术中，可以采用无模型匹配的跟踪方法和基于模型匹配的跟踪方法等传统方法来进行软组织的运动预测，但这些传统方法存在运动预测效果较差和精度较低的问题。
发明内容
本申请实施例提供了一种软组织运动预测方法、装置、终端设备及计算机可读存储介质，可以有效提高软组织运动预测的效果和精度。
第一方面，本申请实施例提供了一种软组织运动预测方法，可以包括：
获取原始图像序列，所述原始图像序列用于描述软组织在第一时间段的运动轨迹；
将所述原始图像序列输入至预设的软组织运动预测模型进行处理，得到所述软组织运动预测模型输出的预测图像序列，所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹；其中，所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，所述长短期记忆网络单元包括自注意力模块。
上述的软组织运动预测方法，可以通过自注意力模块获取全局空间的上下文信息，并根据时间序列跨层进行时空特征的传输，以增强不同时间图像中时空信息的传递，使得软组织运动预测模型具有更强的空间相关性、短期建模能力和长期建模能力，可以大大提高软组织运动预测模型的预测效果和精度，从而提高软组织运动预测的效果和精度。
示例性的，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，可以包括：
第l+1层长短期记忆网络单元将t-1时刻生成的目标时空特征图传输给t时刻的第l层长短期记忆网络单元，1≤l＜L，L为所述软组织运动预测模型包含的长短期记忆网络单元的总层数。
可选的，所述自注意力模块包括第一自注意力模块和第二自注意力模块，所述第一自注意力模块与所述第二自注意力模块并联，所述第一自注意力模块用于生成候选时空特征图，所述第二自注意力模块用于生成候选空间特征图。
示例性的，所述第一自注意力模块可以根据下述公式生成所述候选时空特征图：
Figure BDA0002997079280000021
Figure BDA0002997079280000022
Figure BDA0002997079280000023
其中，
Figure BDA0002997079280000024
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图，Wf、Wlv、Wxo、Who、Wco为预设的权重矩阵，
Figure BDA0002997079280000025
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块对应的输入特征图，Zl为第一自注意力模块基于
Figure BDA0002997079280000026
生成的中间特征图，Zl；i为Zl中的第i个元素，al；i,j为
Figure BDA0002997079280000027
中的第i个元素与第j个元素之间的相似性，
Figure BDA0002997079280000028
为
Figure BDA0002997079280000029
中的第j个元素，N为
Figure BDA00029970792800000210
包含的元素的总个数，σ为sigmoid函数，xt为t时刻的原始图像，
Figure BDA00029970792800000211
为t-1时刻的第l+1层长短期记忆网络单元传输的目标时空特征图，
Figure BDA00029970792800000212
为t时刻的第l层长短期记忆网络单元生成的目标时间特征图，bo为预设的偏置项。
示例性的，所述第二自注意力模块可以根据下述公式生成所述候选空间特征图：
Figure BDA0002997079280000031
Figure BDA0002997079280000032
其中，
Figure BDA0002997079280000033
为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图，Wz、Wmv为预设的权重矩阵，
Figure BDA0002997079280000034
为t时刻的第l-1层长短期记忆网络单元输出的目标空间特征图，Zm为第二自注意力模块基于
Figure BDA0002997079280000035
生成的中间特征图，Zm；i为Zm中的第i个元素，am；i,j为
Figure BDA0002997079280000036
中的第i个元素与第j个元素之间的相似性，
Figure BDA0002997079280000037
为
Figure BDA0002997079280000038
中的第j个元素，R为
Figure BDA0002997079280000039
包含的元素的总个数。
具体地，所述长短期记忆网络单元可以根据下述公式对所述第一自注意力模块生成的候选时空特征图和所述第二自注意力模块生成的候选空间特征图进行处理，得到所述长短期记忆网络单元输出的目标时空特征图和目标空间特征图：
Figure BDA00029970792800000310
Figure BDA00029970792800000311
Figure BDA00029970792800000312
其中，
Figure BDA00029970792800000313
为t时刻的第l层长短期记忆网络单元输出的目标时空特征图，
Figure BDA00029970792800000314
为t时刻的第l层长短期记忆网络单元输出的目标空间特征图，
Figure BDA00029970792800000315
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图，
Figure BDA00029970792800000316
为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图，⊙为元素乘积，σ为sigmoid函数，Who'和Wmg为预设的权重矩阵，bo'和bg'为预设的偏置项。
第二方面，本申请实施例提供了一种软组织运动预测装置，可以包括：
图像序列获取模块，用于获取原始图像序列，所述原始图像序列用于描述软组织在第一时间段的运动轨迹；
软组织运动预测模块，用于将所述原始图像序列输入至预设的软组织运动预测模型进行处理，得到所述软组织运动预测模型输出的预测图像序列，所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹；其中，所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，所述长短期记忆网络单元包括自注意力模块。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的软组织运动预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的软组织运动预测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的软组织运动预测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的软组织运动预测方法的流程示意图；
图2是本申请实施例提供的软组织运动预测模型按照时间序列展开的结构示意图；
图3是本申请实施例提供的长短期记忆网络单元的结构示意图；
图4是本申请实施例提供的自注意力模块的结构示意图；
图5是本申请实施例提供的软组织运动预测装置的结构示意图；
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
HIFU治疗以其无创、高效、价廉等优点，成为治疗胸腹区域癌症的常用方法。其核心技术是在考虑人体结构异质性以及高精度手术刀与软组织运动的非线性关系的前提下，准确定位靶区，实现对手术系统的精准时空控制。在HIFU超声影像引导的治疗过程中，软组织的运动会对治疗产生负面影响。软组织为靶区中的软组织。其中，软组织的运动可以包括由于针穿刺软组织导致的弹性形变、患者呼吸产生的器官或者组织运动或者身体的移动而导致的软组织的位移变化等。一旦目标软组织产生运动，治疗系统往往难以及时跟踪目标区域，造成治疗靶区欠剂量或者使周围正常组织或者器官受损，导致不必要的治疗副反应。
因此，提前预测目标软组织的运动十分必要。现有技术中，可以采用无模型匹配的跟踪方法和基于模型匹配的跟踪方法来进行软组织的运动预测。在无模型跟踪预测方法中，块匹配(block matching)方法的使用最为广泛。块匹配方法使用图像的局部结构信息来估计目标软组织的状态以进行跟踪，其主要思想是通过将查询块与相邻块进行匹配，以从相邻块中找到最接近查询块的多个相邻图像块。但块匹配方法不能很好地解决局部图像结构的不稳定性，也不能充分利用图像的先验信息。基于模型的匹配跟踪方法可以包括基于主动形状模型的非刚性物体实时跟踪方法和非线性状态空间跟踪方法等。基于模型的匹配跟踪方法可以利用医学图像序列的先验信息构建医学器官的数学预测网络模型，通过优化模型参数来增强鲁棒性。但现有基于基于模型的匹配跟踪方法大多是将靶区组织视为一个刚性的整体或一个点，无法准确定位靶区组织的区域和边界，因此也无法精准预测软组织的运动。
另外，这些传统方法在医学图像序列(如超声图像序列)的跟踪和预测中存在以下缺点：跟踪目标轮廓的急剧变化可能导致轮廓跟踪效果不佳；如果帧间目标位移太大或者传统方法错误地估计了目标的比例和方向，则可能导致跟踪目标丢失。
深度学习方法具有强大的非线性建模能力以及可以利用序列图像的时空信息的优势，因此非常适合处理超声图像序列。目前，已有不少基于深度学习的方法应用于动态环境下软组织的运动预测。例如，基于人口的统计运动模型和来自二维超声序列的信息来预测右肝叶的呼吸运动，其使用人工神经网络(artificial neural networks，ANN)通过使用时间预测变量来扩展空间预测的方法来预测肝脏的位置。但该方法仅使用有限数量的患者的临床数据来训练模型，即仅根据有限的特征，探索了特定软组织的特定运动，没有考虑不同软组织的运动的复杂性，因此应用于其他软组织的运动预测时，预测效果和预测精度均较差。例如，用于视频预测的堆叠递归网络，其使用卷积性长短期记忆网络(convolutionallong short-term memory，ConvLSTM)作为循环单元，ConvLSTM旨在通过门控结构正确保留和忘记过去的信息，然后将其与当前的空间表示形式融合来预测视频帧。但堆叠式的ConvLSTM并没有为逐步递归状态转换添加额外的建模功能，其短期动态建模能力不佳，并且难以捕获输入图像序列的长期相关性，造成预测效果较差、预测精度较低。例如，使用多尺度的卷积操作提取输入影像的特征，学习输入序列图像之间的密集变形，并使用级联排列的空间变换网络(spatial transformer networks，STN)生成未来的图像序列。但该方法应对呼吸运动变化较大的图像效果不佳，同时对图像序列提取的特征缺少全局依赖性，造成预测效果较差、预测精度较低。
为了解决上述问题，本申请实施例提供了一种软组织运动预测方法，该方法可以获取原始图像序列，所述原始图像序列用于描述软组织在第一时间段的运动轨迹；将所述原始图像序列输入至预设的软组织运动预测模型进行处理，得到所述软组织运动预测模型输出的预测图像序列，所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹；其中，所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，所述长短期记忆网络单元包括自注意力模块。即本申请实施例中，可以通过自注意力模块获取全局空间的上下文信息，并根据时间序列跨层进行时空特征的传输，以增强不同时间的图像中时空信息的传递，使得软组织运动预测模型具有更强的空间相关性、短期建模能力和长期建模能力，可以大大提高软组织运动预测模型的预测效果和精度，从而提高软组织运动预测的效果和精度，具有较强的易用性和实用性。
请参阅图1，图1示出了本申请实施例提供的软组织运动预测方法的示意性流程图。其中，所述软组织运动预测方法可以应用于手机、平板电脑、笔记本电脑、桌上型计算机等终端设备上，本申请实施例对终端设备的类型不作具体限定。如图1所示，所述软组织运动预测方法，可以包括：
S101、获取原始图像序列，所述原始图像序列用于描述软组织在第一时间段的运动轨迹；
其中，所述软组织可以为HIFU治疗中，治疗靶区内的软组织。所述原始图像序列可以为超声图像序列。所述超声图像序列可以通过超声图像采集装置获取。所述超声图像采集装置可以与终端设备通信连接，所述超声图像采集装置采集到包含软组织的超声图像序列时，可以将所采集的超声图像序列发送给所述终端设备，以供所述终端设备进行软组织的运动预测。
S102、将所述原始图像序列输入至预设的软组织运动预测模型进行处理，得到所述软组织运动预测模型输出的预测图像序列，所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹；其中，所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，所述长短期记忆网络单元包括自注意力模块。
本申请实施例中，所述原始图像序列中可以包括多张原始图像，所述预测图像序列中可以包括一张或者多张预测图像，所述预测图像中可以体现所述软组织在后续时刻中的运动情况。其中，所述原始图像序列中包括的图像数量和所述预测图像序列中包括的图像数量可以根据实际情况具体设置，本申请实施例对此不作具体限定。
具体地，在需要根据第一时间段中长度为n的原始图像序列，预测未来第二时间段中长度为m的预测图像序列时，所述第二时间段为紧随所述第一时间段的时间段，所述终端设备可以按照时间顺序将原始图像序列中的x1、x2、……、xn等原始图像分别输入至所述软组织运动预测模型进行处理，所述软组织运动预测模型基于原始图像x1、x2、……、xn可以得到预测图像x2'、x3'、……、xn+1'、……、xn+m'，此时，xn+1'、xn+2'、……、xn+m'即为所述预测图像序列。
下面将结合所述软组织运动预测模型的网络结构对所述软组织运动预测模型的预测过程进行详细说明。
请一并参阅图2至图4，图2示出了本申请实施例提供的软组织运动预测模型按照时间序列展开的结构示意图，图3示出了本申请实施例提供的长短期记忆网络单元的结构示意图，图4示出了本申请实施例提供的自注意力模块的结构示意图。如图2和图3所示，所述软组织运动预测模型可以包括堆叠的多层长短期记忆网络(long short-term memory，LSTM)单元，各层长短期记忆网络单元的结构相同，且所述长短期记忆网络单元可以包括自注意力模块(self-attention，SA)。应理解，本申请实施例对长短期记忆网络单元的总层数不作具体限定。以下将以所述软组织运动预测模型包括四层长短期记忆网络单元为例进行示例性说明。
如图2所示，所述软组织运动预测模型可以包括依次连接的第一层长短期记忆网络单元201、第二层长短期记忆网络单元202、第三层长短期记忆网络单元203和第四层长短期记忆网络单元204。其中，所述第一层长短期记忆网络单元201用于对原始图像序列中的原始图像xt特征提取、融合等处理，得到所述第一层长短期记忆网络单元201输出的第一空间特征图，并将所述第一空间特征图输入至所述第二层长短期记忆网络单元202。所述第二层长短期记忆网络单元202可以对所述第一空间特征图进行特征提取、融合等处理，得到第二空间特征图，并将所述第二空间特征图输入至所述第三层长短期记忆网络单元203。同样地，所述第三层长短期记忆网络单元203可以对所述第二空间特征图进行特征提取、融合等处理，得到第三空间特征图，并将所述第三空间特征图输入至第四层长短期记忆网络单元204。所述第四层长短期记忆网络单元204可以对所述第三空间特征图进行特征提取、融合等处理，得到所述软组织运动预测模型在t时刻预测得到的预测图像xt+1'，即预测图像xt+1'为t时刻预测得到的t+1时刻对应的图像。
本申请实施例中，所述软组织运动预测模型为已训练的模型。其中，在训练过程中，可以使用计划抽样(schedule samping)方法处理预测图像序列与训练图像序列的关系。由于所述软组织运动预测模型使用堆叠式的结构，即下一个时刻(如t+1时刻)预测得到的预测图像xt+2'需要基于上一时刻(如t时刻)预测得到的预测图像xt+1'，而当上一时刻(即t时刻)的预测图像出错时，后续的预测图像也会跟着出错，影响软组织运动预测的效果和精度。为解决这一问题，在训练时，本申请实施例，可以评估t时刻预测得到的预测图像xt+1'与t+1时刻的真实图像xt+1之间的相似度，并根据相似度，设定t+1时刻中预测图像xt+1'的权重，即当相似度大时，可以降低真实图像xt+1的权重，提升预测图像xt+1'的权重；当相似度小时，则可以提升真实图像xt+1的权重，降低预测图像xt+1'的权重。在此，可以结合预设的相似度阈值来判定相似度大小，即当相似度大于或者等于所述相似度阈值时，可以确定相似度大；而当相似度小于所述相似度阈值时，则可以确定相似度小。其中，所述相似度阈值可以根据实际情况具体设置。
本申请实施例中，所述长短期记忆网络单元可以包含两种特征图：时间特征图(也可以称为时间记忆)
Figure BDA0002997079280000111
和空间特征图(也可以称为空间记忆)
Figure BDA0002997079280000112
t为时刻，l为长短期记忆网络单元所在的层数。其中，在第l层长短期记忆网络单元中，t时刻的时间特征图
Figure BDA0002997079280000113
直接取决于其前一时刻(即t-1时刻)的时间特征图
Figure BDA0002997079280000114
并由t时刻的遗忘门ft、输入门it和输出门gt控制。在第l层长短期记忆网络单元中，t时刻的空间特征图
Figure BDA0002997079280000115
取决于第l-1层长短期记忆网络单元的空间特征图
Figure BDA0002997079280000116
而对于第一层长短期记忆网络单元，t时刻的空间特征图
Figure BDA0002997079280000117
则可以决于前一时刻(即t-1时刻)的最后一层长短期记忆网络单元生成的空间特征图
Figure BDA0002997079280000118
此时可以将输入至第一层长短期记忆网络单元的
Figure BDA0002997079280000119
确定为
Figure BDA00029970792800001110
也就是说，当l＝1时，输入至第l层长短期记忆网络单元的空间特征图
Figure BDA00029970792800001111
1≤l＜L，L为所述软组织运动预测模型包含的长短期记忆网络单元的总层数，本申请实施例中，L可以为4。
需要说明的是，为增强不同时间图像中时空信息的传递，使得能够深层次提取原始图像序列的时空信息，以提高所述软组织运动预测模型的运动预测效果，各所述层长短期记忆网络单元可以根据时间序列跨层进行目标时空特征的传输。其中，时间序列可以为原始图像序列对应的时间序列，也可以为预测图像序列对应的时间序列。具体地，第l+1层长短期记忆网络单元可以将t-1时刻生成的目标时空特征图传输给t时刻的第l层长短期记忆网络单元。
即如图2所示，所述第四层长短期记忆网络单元204可以将其t-1时刻生成的目标时空特征图
Figure BDA00029970792800001112
传输给t时刻的所述第三层长短期记忆网络单元203。所述第三层长短期记忆网络单元203可以将其t-1时刻生成的目标时空特征图
Figure BDA00029970792800001113
传输给t时刻的所述第二层长短期记忆网络单元202。所述第二层长短期记忆网络单元202可以将其t-1时刻生成的目标时空特征图
Figure BDA00029970792800001114
传输给t时刻的所述第一层长短期记忆网络单元201。可选地，可以将传输给所述第四层长短期记忆网络单元204的目标时空特征图设置为0。
如图2所示，所述长短期记忆网络单元可以对所输入的时间特征图、空间特征图和时空特征图进行处理，得到所述长短期记忆网络单元对应的目标时间特征图、目标空间特征图和目标时空特征图。
其中，对于初始时刻，即没有前一时刻的时间特征图、空间特征图和时空特征图输入的时刻，例如，在将所述原始图像序列中的原始图像x1输入所述软组织运动预测模型时，所述终端设备可以使用随机初始化方式初始化传输至各所述长短期记忆网络单元的时间特征图、空间特征图和时空特征图，各所述长短期记忆网络单元可以结合随机产生的时间特征图、空间特征图和时空特征图，生成此时的各所述长短期记忆网络单元对应的目标时间特征图、目标空间特征图以及目标时空特征图。
即本申请实施例通过在不同时间步之间添加额外的连接，以追求长期的连贯性和短期重复深度，能够在短时间内学习附近帧的复杂非线性过渡函数，可以显著提高其短期动态建模能力。另外，利用三重存储机制，并通过与门的简单连接，将水平更新的时间特征图、以锯齿形方向更新的空间特征图与跨时间步并跨层更新的时空特征图相结合，能够深层次提取序列的时空信息，使得软组织运动预测模型具有强大的动态建模能力，可以有效提高软组织运动预测模型的运动预测效果。
下面对所述长短期记忆网络单元生成目标时间特征图、目标空间特征图以及目标时空特征图进行详细说明。
如图3所示，所述长短期记忆网络单元的更新方程可以为：
Figure BDA0002997079280000121
Figure BDA0002997079280000122
Figure BDA0002997079280000123
Figure BDA0002997079280000124
Figure BDA0002997079280000125
Figure BDA0002997079280000126
Figure BDA0002997079280000131
其中，Wxg、Whg、Wxi、Whi、Wxf、Whf、Wxo、Who、Wco为预设的权重矩阵，bg、bi、bf、bo为预设的偏置项，σ为sigmoid函数，xt为t时刻的原始图像，
Figure BDA0002997079280000132
为t-1时刻的第l+1层长短期记忆网络单元传输的目标时空特征图，
Figure BDA0002997079280000133
为t时刻的第l层长短期记忆网络单元生成的目标时间特征图，
Figure BDA0002997079280000134
为t-1时刻的第l层长短期记忆网络单元生成的目标时间特征图，
Figure BDA0002997079280000135
为所述自注意力模块的输入特征图(即输入至所述自注意力模块的特征图)，
Figure BDA0002997079280000136
可以由时间特征图和时空特征图聚合而成，SA为所述自注意力模块的处理，
Figure BDA0002997079280000137
和
Figure BDA0002997079280000138
为通过自注意力模块聚合得到的候选空间特征图和候选时空特征图，
Figure BDA0002997079280000139
为t时刻的第l-1层长短期记忆网络单元输出的目标空间特征图。应理解，当l＝1时，
Figure BDA00029970792800001310
下面对所述自注意力模块对
Figure BDA00029970792800001311
和
Figure BDA00029970792800001312
进行聚合，得到候选空间特征图和候选时空特征图的过程进行说明。
如图4所示，所述自注意力模块可以包括第一自注意力模块401和第二自注意力模块402，所述第一自注意力模块401与所述第二自注意力模块402并联，且所述第一自注意力模块401与所述第二自注意力模块402共享Query，所述第一自注意力模块401用于生成候选时空特征图，所述第二自注意力模块402用于生成候选空间特征图。
如图4所示，对于输入特征图
Figure BDA00029970792800001313
所述第一自注意力模块401可以先将输入特征图
Figure BDA00029970792800001314
映射到特征空间Query、Key、Value：
Figure BDA00029970792800001315
Figure BDA00029970792800001316
Figure BDA00029970792800001317
其中，
Figure BDA00029970792800001318
C为
Figure BDA00029970792800001319
对应的通道数，
Figure BDA00029970792800001320
为Qc、Kl对应的通道数，N为
Figure BDA00029970792800001321
对应的元素个数，Wlq、Wlk、Wlv为预设的1×1卷积的权重矩阵。
然后，通过Qc和Kl之间相乘
Figure BDA00029970792800001322
计算
Figure BDA00029970792800001323
中的每两个元素之间的相似性(即可以通过
Figure BDA0002997079280000141
来计算)。也就是说，
Figure BDA0002997079280000142
中的第i个元素与第j个元素之间的相似性
Figure BDA0002997079280000143
然后，可以利用softmax函数对各相似性进行归一化操作，得到al：
Figure BDA0002997079280000144
其中，T表示矩阵转置，Lt,i为
Figure BDA0002997079280000145
中的第i个元素，Lt,j为
Figure BDA0002997079280000146
中的第j个元素。Lt,i、Lt,j为大小为C×1的特征向量。
如图4所示，所述第一自注意力模块401可以根据下述公式生成所述候选时空特征图：
Figure BDA0002997079280000147
Figure BDA0002997079280000148
Figure BDA0002997079280000149
其中，
Figure BDA00029970792800001410
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图，Wf、Wlv、Wxo、Who、Wco为预设的权重矩阵，
Figure BDA00029970792800001411
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块对应的输入特征图，Zl为第一自注意力模块基于
Figure BDA00029970792800001412
生成的中间特征图，Zl；i为Zl中的第i个元素，al；i,j为
Figure BDA00029970792800001413
中的第i个元素与第j个元素之间的相似性，
Figure BDA00029970792800001414
为
Figure BDA00029970792800001415
中的第j个元素，N为
Figure BDA00029970792800001416
包含的元素的总个数，σ为sigmoid函数，xt为t时刻的原始图像，
Figure BDA00029970792800001417
为t-1时刻的第l+1层长短期记忆网络单元传输的目标时空特征图，
Figure BDA00029970792800001418
为t时刻的第l层长短期记忆网络单元生成的目标时间特征图，bo为预设的偏置项。
如图4所示，对于输入特征图
Figure BDA00029970792800001419
所述第二自注意力模块402可以分别通过以Wmk和Wmv为权重矩阵的1×1卷积将其映射到Key
Figure BDA00029970792800001420
和value
Figure BDA00029970792800001421
然后，可以通过Query Qc与Key Km之间相乘，即通过
Figure BDA00029970792800001422
来计算
Figure BDA00029970792800001423
中的第i个元素与第j个元素之间的相似性em；i,j。然后，可以利用softmax函数对各相似性进行归一化操作，得到am：
Figure BDA0002997079280000151
具体地，所述第二自注意力模块402可以根据下述公式生成所述候选空间特征图：
Figure BDA0002997079280000152
Figure BDA0002997079280000153
其中，
Figure BDA0002997079280000154
为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图，Wz、Wmv为预设的权重矩阵，
Figure BDA0002997079280000155
为t时刻的第l-1层长短期记忆网络单元输出的目标空间特征图，Zm为第二自注意力模块基于
Figure BDA0002997079280000156
生成的中间特征图，Zm；i为Zm中的第i个元素，am；i,j为
Figure BDA0002997079280000157
中的第i个元素与第j个元素之间的相似性，
Figure BDA0002997079280000158
为
Figure BDA0002997079280000159
中的第j个元素，R为
Figure BDA00029970792800001510
包含的元素的总个数。
即中间特征图Zm中第i个元素的特征值可以由value Vm中所有N个位置的加权和计算得出。
示例性的，如图3所示，所述长短期记忆网络单元可以根据下述公式对所述第一自注意力模块生成的候选时空特征图和所述第二自注意力模块生成的候选空间特征图进行处理，得到所述长短期记忆网络单元输出的目标时空特征图和目标空间特征图：
Figure BDA00029970792800001511
Figure BDA00029970792800001512
Figure BDA00029970792800001513
其中，
Figure BDA00029970792800001514
为t时刻的第l层长短期记忆网络单元输出的目标时空特征图，
Figure BDA00029970792800001515
为t时刻的第l层长短期记忆网络单元输出的目标空间特征图，
Figure BDA00029970792800001516
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图，
Figure BDA00029970792800001517
为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图，⊙为元素乘积，σ为sigmoid函数，Who'和Wmg为预设的权重矩阵，bo'和bg'为预设的偏置项。
可以理解的是，最后一层长短期记忆网络单元得到目标时间特征图、目标空间特征图和目标时空特征图后，可以将目标时间特征图、目标空间特征图和目标时空特征图映射回像素空间，以得到所述软组织运动预测模型输出的预测图像。此外，各所述长短期记忆网络单元可以将得到的目标时间特征图、目标时空特征图和目标空间特征图对应传输至下一时刻的各所述长短期记忆网络单元，以进行下一时刻的图像预测。
本申请实施例中，可以获取原始图像序列，原始图像序列用于描述软组织在第一时间段的运动轨迹；将原始图像序列输入至预设的软组织运动预测模型进行处理，得到软组织运动预测模型输出的预测图像序列，预测图像序列用于描述预测到的软组织在与第一时间段相邻的第二时间段的运动轨迹；其中，软组织运动预测模型包括堆叠的多层长短期记忆网络单元，长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，长短期记忆网络单元包括自注意力模块。即本申请实施例中，可以通过自注意力模块获取全局空间的上下文信息，并根据时间序列跨层进行时空特征的传输，以增强不同时间的图像中时空信息的传递，使得软组织运动预测模型具有更强的空间相关性、短期建模能力和长期建模能力，可以大大提高软组织运动预测模型的预测效果和精度，从而提高软组织运动预测的效果和精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的软组织运动预测方法，图5示出了本申请实施例提供的软组织运动预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，所述软组织运动预测装置，可以包括：
图像序列获取模块501，用于获取原始图像序列，所述原始图像序列用于描述软组织在第一时间段的运动轨迹；
软组织运动预测模块502，用于将所述原始图像序列输入至预设的软组织运动预测模型进行处理，得到所述软组织运动预测模型输出的预测图像序列，所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹；其中，所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，所述长短期记忆网络单元包括自注意力模块。
可选的，在所述软组织运动预测模型中，第l+1层长短期记忆网络单元将t-1时刻生成的目标时空特征图传输给t时刻的第l层长短期记忆网络单元，1≤l＜L，L为所述软组织运动预测模型包含的长短期记忆网络单元的总层数。
在一种可能的实现方式中，所述自注意力模块可以包括第一自注意力模块和第二自注意力模块，所述第一自注意力模块与所述第二自注意力模块并联，所述第一自注意力模块用于生成候选时空特征图，所述第二自注意力模块用于生成候选空间特征图。
示例性的，所述第一自注意力模块可以根据下述公式生成所述候选时空特征图：
Figure BDA0002997079280000171
Figure BDA0002997079280000172
Figure BDA0002997079280000173
其中，
Figure BDA0002997079280000174
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图，Wf、Wlv、Wxo、Who、Wco为预设的权重矩阵，
Figure BDA0002997079280000175
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块对应的输入特征图，Zl为第一自注意力模块基于
Figure BDA0002997079280000176
生成的中间特征图，Zl；i为Zl中的第i个元素，al；i,j为
Figure BDA0002997079280000177
中的第i个元素与第j个元素之间的相似性，
Figure BDA0002997079280000181
为
Figure BDA0002997079280000182
中的第j个元素，N为
Figure BDA0002997079280000183
包含的元素的总个数，σ为sigmoid函数，xt为t时刻的原始图像，
Figure BDA0002997079280000184
为t-1时刻的第l+1层长短期记忆网络单元传输的目标时空特征图，
Figure BDA0002997079280000185
为t时刻的第l层长短期记忆网络单元生成的目标时间特征图，bo为预设的偏置项。
示例性的，所述第二自注意力模块可以根据下述公式生成所述候选空间特征图：
Figure BDA0002997079280000186
Figure BDA0002997079280000187
其中，
Figure BDA0002997079280000188
为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图，Wz、Wmv为预设的权重矩阵，
Figure BDA0002997079280000189
为t时刻的第l-1层长短期记忆网络单元输出的目标空间特征图，Zm为第二自注意力模块基于
Figure BDA00029970792800001810
生成的中间特征图，Zm；i为Zm中的第i个元素，am；i,j为
Figure BDA00029970792800001811
中的第i个元素与第j个元素之间的相似性，
Figure BDA00029970792800001812
为
Figure BDA00029970792800001813
中的第j个元素，R为
Figure BDA00029970792800001814
包含的元素的总个数。
可以理解的是，所述长短期记忆网络单元可以根据下述公式对所述第一自注意力模块生成的候选时空特征图和所述第二自注意力模块生成的候选空间特征图进行处理，得到所述长短期记忆网络单元输出的目标时空特征图和目标空间特征图：
Figure BDA00029970792800001815
Figure BDA00029970792800001816
Figure BDA00029970792800001817
其中，
Figure BDA00029970792800001818
为t时刻的第l层长短期记忆网络单元输出的目标时空特征图，
Figure BDA00029970792800001819
为t时刻的第l层长短期记忆网络单元输出的目标空间特征图，
Figure BDA00029970792800001820
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图，
Figure BDA00029970792800001821
为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图，⊙为元素乘积，σ为sigmoid函数，Who'和Wmg为预设的权重矩阵，bo'和bg'为预设的偏置项。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6为本申请一实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个软组织运动预测方法实施例中的步骤。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑等计算设备。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所述处理器60可以是中央处理单元(central processing unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(smart media card，SMC)，安全数字(secure digital，SD)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，ROM，)、随机存取存储器(random accessmemory，RAM，)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种软组织运动预测方法，其特征在于，包括：
获取原始图像序列，所述原始图像序列用于描述软组织在第一时间段的运动轨迹；
将所述原始图像序列输入至预设的软组织运动预测模型进行处理，得到所述软组织运动预测模型输出的预测图像序列，所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹；其中，所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，所述长短期记忆网络单元包括自注意力模块；
其中，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，包括：
第l+1层长短期记忆网络单元将t-1时刻生成的目标时空特征图传输给t时刻的第l层长短期记忆网络单元，1≤l＜L，L为所述软组织运动预测模型包含的长短期记忆网络单元的总层数。
2.如权利要求1所述的软组织运动预测方法，其特征在于，所述自注意力模块包括第一自注意力模块和第二自注意力模块，所述第一自注意力模块与所述第二自注意力模块并联，所述第一自注意力模块用于生成候选时空特征图，所述第二自注意力模块用于生成候选空间特征图。
3.如权利要求2所述的软组织运动预测方法，其特征在于，所述第一自注意力模块根据下述公式生成所述候选时空特征图：
Figure FDA0003600902980000011
Figure FDA0003600902980000012
Figure FDA0003600902980000013
其中，
Figure FDA0003600902980000014
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图，Wf、Wlv、Wxo、Who、Wco为预设的权重矩阵，
Figure FDA0003600902980000021
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块对应的输入特征图，Zl为第一自注意力模块基于
Figure FDA0003600902980000022
生成的中间特征图，Zl；i为Zl中的第i个元素，al；i,j为
Figure FDA0003600902980000023
中的第i个元素与第j个元素之间的相似性，
Figure FDA0003600902980000024
为
Figure FDA0003600902980000025
中的第j个元素，N为
Figure FDA0003600902980000026
包含的元素的总个数，σ为sigmoid函数，xt为t时刻的原始图像，
Figure FDA0003600902980000027
为t-1时刻的第l+1层长短期记忆网络单元传输的目标时空特征图，
Figure FDA0003600902980000028
为t时刻的第l层长短期记忆网络单元生成的目标时间特征图，bo为预设的偏置项。
4.如权利要求2所述的软组织运动预测方法，其特征在于，所述第二自注意力模块根据下述公式生成所述候选空间特征图：
Figure FDA0003600902980000029
Figure FDA00036009029800000210
其中，
Figure FDA00036009029800000211
为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图，Wz、Wmv为预设的权重矩阵，
Figure FDA00036009029800000212
为t时刻的第l-1层长短期记忆网络单元输出的目标空间特征图，Zm为第二自注意力模块基于
Figure FDA00036009029800000213
生成的中间特征图，Zm；i为Zm中的第i个元素，am；i,j为
Figure FDA00036009029800000214
中的第i个元素与第j个元素之间的相似性，
Figure FDA00036009029800000215
为
Figure FDA00036009029800000216
中的第j个元素，R为
Figure FDA00036009029800000217
包含的元素的总个数。
5.根据权利要求2所述的软组织运动预测方法，其特征在于，所述长短期记忆网络单元根据下述公式对所述第一自注意力模块生成的候选时空特征图和所述第二自注意力模块生成的候选空间特征图进行处理，得到所述长短期记忆网络单元输出的目标时空特征图和目标空间特征图：
Figure FDA00036009029800000218
Figure FDA00036009029800000219
Figure FDA00036009029800000220
其中，
Figure FDA00036009029800000221
为t时刻的第l层长短期记忆网络单元输出的目标时空特征图，
Figure FDA00036009029800000222
为t时刻的第l层长短期记忆网络单元输出的目标空间特征图，
Figure FDA0003600902980000031
为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图，
Figure FDA0003600902980000032
为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图，⊙为元素乘积，σ为sigmoid函数，Who'和Wmg为预设的权重矩阵，bo'和bg'为预设的偏置项。
6.一种软组织运动预测装置，其特征在于，包括：
图像序列获取模块，用于获取原始图像序列，所述原始图像序列用于描述软组织在第一时间段的运动轨迹；
软组织运动预测模块，用于将所述原始图像序列输入至预设的软组织运动预测模型进行处理，得到所述软组织运动预测模型输出的预测图像序列，所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹；其中，所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元，所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输，所述长短期记忆网络单元包括自注意力模块；
其中，在所述软组织运动预测模型中，第l+1层长短期记忆网络单元将t-1时刻生成的目标时空特征图传输给t时刻的第l层长短期记忆网络单元，1≤l＜L，L为所述软组织运动预测模型包含的长短期记忆网络单元的总层数。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的软组织运动预测方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的软组织运动预测方法。
CN202110345245.8A 2021-03-29 2021-03-29 软组织运动预测方法、装置、终端设备及可读存储介质 Active CN112967275B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110345245.8A CN112967275B (zh) 2021-03-29 2021-03-29 软组织运动预测方法、装置、终端设备及可读存储介质
PCT/CN2021/138567 WO2022206036A1 (zh) 2021-03-29 2021-12-15 软组织运动预测方法、装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110345245.8A CN112967275B (zh) 2021-03-29 2021-03-29 软组织运动预测方法、装置、终端设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112967275A CN112967275A (zh) 2021-06-15
CN112967275B true CN112967275B (zh) 2022-05-24

Family

ID=76280364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110345245.8A Active CN112967275B (zh) 2021-03-29 2021-03-29 软组织运动预测方法、装置、终端设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN112967275B (zh)
WO (1) WO2022206036A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967275B (zh) * 2021-03-29 2022-05-24 中国科学院深圳先进技术研究院 软组织运动预测方法、装置、终端设备及可读存储介质
WO2023206532A1 (zh) * 2022-04-29 2023-11-02 Oppo广东移动通信有限公司 预测方法、装置、电子设备及计算机可读存储介质
CN117113077B (zh) * 2023-07-21 2024-08-16 前海飞算云创数据科技(深圳)有限公司 目标序列确定方法、装置、电子设备和存储介质
CN118664607A (zh) * 2024-08-22 2024-09-20 江西求是高等研究院 一种上肢康复机器人运动轨迹预测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019228654A1 (en) * 2018-06-01 2019-12-05 Toyota Motor Europe Method for training a prediction system and system for sequence prediction
CN109862585B (zh) * 2019-01-31 2022-04-19 湖北工业大学 一种基于深度时空神经网络的动态异构网络流量预测方法
CN109919685B (zh) * 2019-03-18 2023-08-15 苏州大学 客户流失预测方法、装置、设备及计算机可读存储介质
CN112070685B (zh) * 2020-08-10 2023-08-18 武汉大学 Hifu治疗系统的动态软组织运动预测的方法
CN112418409B (zh) * 2020-12-14 2023-08-22 南京信息工程大学 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法
CN112967275B (zh) * 2021-03-29 2022-05-24 中国科学院深圳先进技术研究院 软组织运动预测方法、装置、终端设备及可读存储介质

Also Published As

Publication number Publication date
CN112967275A (zh) 2021-06-15
WO2022206036A1 (zh) 2022-10-06

Similar Documents

Publication Publication Date Title
CN112967275B (zh) 软组织运动预测方法、装置、终端设备及可读存储介质
EP3968222B1 (en) Classification task model training method, apparatus and device and storage medium
CN112767329B (zh) 图像处理方法及装置、电子设备
Luo et al. Multi-person pose estimation via multi-layer fractal network and joints kinship pattern
WO2021217937A1 (zh) 姿态识别模型的训练方法及设备、姿态识别方法及其设备
CN114846524A (zh) 使用机器学习和解剖向量进行医学图像分析
CN114863225B (zh) 图像处理模型训练方法、生成方法、装置、设备及介质
CN111091010A (zh) 相似度确定、网络训练、查找方法及装置和存储介质
CN116188684A (zh) 基于视频序列的三维人体重建方法及相关设备
CN115223201A (zh) 基于单目序列图像的三维人体关节点估算方法、系统及装置
CN116912299A (zh) 运动分解模型的医学图像配准方法、装置、设备及介质
CN116385603A (zh) 一种基于稀疏视图的语音驱动人脸合成方法
CN115035158A (zh) 目标跟踪的方法及装置、电子设备和存储介质
CN114494543A (zh) 动作生成方法及相关装置、电子设备和存储介质
KR20240010035A (ko) 포즈 파서
CN116704615A (zh) 信息处理方法及装置、计算机设备和计算机可读存储介质
US20240054394A1 (en) Generating new data based on class-specific uncertainty information using machine learning
Yao et al. Feature pyramid self-attention network for respiratory motion prediction in ultrasound image guided surgery
WO2023142886A1 (zh) 表情迁移方法、模型训练方法和装置
CN115312151A (zh) 数据信息生成方法、装置、计算机设备和存储介质
US20240024074A1 (en) Method for converting part of dental image and apparatus therefor
Arefeen et al. Glysim: Modeling and simulating glycemic response for behavioral lifestyle interventions
CN115359508A (zh) 通过专家的神经元优化以提高的效率执行复杂优化任务
CN111401285B (zh) 目标跟踪方法、装置及电子设备
CN115151951A (zh) 通过分析配准确定图像相似性

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant