CN113160265B - 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 - Google Patents

一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 Download PDF

Info

Publication number
CN113160265B
CN113160265B CN202110524586.1A CN202110524586A CN113160265B CN 113160265 B CN113160265 B CN 113160265B CN 202110524586 A CN202110524586 A CN 202110524586A CN 113160265 B CN113160265 B CN 113160265B
Authority
CN
China
Prior art keywords
corpus callosum
brain
image
segmentation
points
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
CN202110524586.1A
Other languages
English (en)
Other versions
CN113160265A (zh
Inventor
曹桂群
何长涛
程建
陈玉兰
郑文
刘鑫
周柱玉
宋思思
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202110524586.1A priority Critical patent/CN113160265B/zh
Publication of CN113160265A publication Critical patent/CN113160265A/zh
Application granted granted Critical
Publication of CN113160265B publication Critical patent/CN113160265B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Processing (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法，它是从获取的胎儿脑部超声图像中绘制出胼胝体初始轮廓线，计算胼胝体初始轮廓线的关键点偏移量，根据胼胝体初始轮廓线和关键点偏移量在所述胎儿脑部超声图像中裁剪出脑部胼胝体分割预测图像。本发明胎儿超声图像状态分析深度神经网络模型填补了脑部超声图像脑部胼胝体状态分析的空白，首创了用脑部超声图像评估脑部胼胝体状态的方法。

Description

一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建 方法
技术领域
本发明医学图像分割和深度学习领域，具体涉及一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法。
背景技术
胼胝体位于大脑半球纵裂的底部，是大脑半球中最大的连合纤维。胼胝体发育不良(Agenesis of Corpus Callosum，ACC)是胎儿中枢神经系统畸形中的一种先天性发育异常，指在发育过程中胼胝体部分或完全缺失，利用影像学检查在胎儿期诊断胼胝体发育状况具有重要作用。
目前对于胼胝体大小位置的测量还依赖于医学影像技术人员根据胎儿脑部超声图像标注提供，需要对操作者的经验和技术提出很高的要求，而且超声影像无法精确地计算胼胝体的体积大小，从而也无法对超声学医师的判断提供有效的判断依据。因此，造成目前胎儿胼胝体异常检出率低，错误率高。
发明内容
为解决上述问题，本发明提供了一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法，它是从获取的胎儿脑部超声图像中绘制出胼胝体初始轮廓线，计算胼胝体初始轮廓线的关键点偏移量，根据胼胝体初始轮廓线和关键点偏移量在所述胎儿脑部超声图像中裁剪出脑部胼胝体分割预测图像。
进一步地，它通过深度神经网络模型实现，所述深度神经网络模型是由图像预处理部分、初始轮廓建立部分和活动轮廓收缩部分组成，其中，图像预处理部分用于胎儿脑部超声图像平移转换、扭曲增强以及弹性形变；初始轮廓建立部分由编码解码模块和关键点分布调整模块组成，用于输出初始轮廓线；活动轮廓收缩部分由轮廓微调卷积模块组成，用于输出关键点偏移量；
所述编码解码模块的结构由基础主干网络、多孔空间金字塔池化模块、信息通道组成，其中，基础主干网络是最大值池化层结构被步伐为2的深度可分离卷积代替并且每个3x3的深度可分离卷积都跟批归一化和Relu激活函数，用于采样提取胎儿超声图像数据的低层语义信息和高层语义信息；多孔空间金字塔池化模块是由扩张率分别为1、2、4、8的空洞卷积和一个3x3的重叠池化组成，用于将语义信息卷积得到多尺度特征图；信息通道用于将低层语义信息与多尺度特征图融合输出标有热力图预测中心点、胼胝体预测状态编码和n个预测关键点坐标的初始轮廓线；
所述关键点分布调整模块是用损失函数将n个预测关键点的坐标更多分布于突起细节区域；所述损失函数为：
Figure BDA0003065278810000021
中的中心点360/n角度内的关键点数量；所述脑部胼胝体分割标签图像的角点用关键点表述；
所述轮廓微调卷积模块由核大小固定为9的8个循环卷积、批归一化和Relu激活函数构成的循环卷积块组成。
更进一步地，所述图像预处理部分还储存有经角点检测和中心点检测的脑部胼胝体分割标签图像；所述检测的具备方法为：
①分别利用水平和垂直的差分算子对图像全部像素进行滤波来求得
Figure BDA0003065278810000022
进而求得IXIY,以
Figure BDA0003065278810000023
IxIy、
Figure BDA0003065278810000024
四个元素值组成2*2的矩阵；
②对①中求得的矩阵进行高斯平滑滤波,得到矩阵M.；
③由矩阵M求得行列式的值λ1和λ2,使用如下图像度量表示公式：
R＝min(λ1，λ2)，根据λ1≥λ2且λ2≥λ2max判定强角点，其中λ2max是图像像素点较小特征值中的最大值；
④设定阈值Tc和Tp,用于对提取的特征点的数目和相邻特征点的距离进行定量约束；所述约束是使被比较的胎儿胼胝体预测图像与脑部胼胝体分割标签图像提取的角点数目相同，从而使被比较的胎儿胼胝体预测图像中相邻角点的距离大于设定的阈值；
⑤找到构造的轮廓与真实标注交并比最大的n个角点作为关键点，将关键点距离最远的两个点的中点作为图像的中心点。
更进一步地，所述孔空间金字塔池化模块的每一个尺度的输出串联连接，输出的特征经过一个1x1的卷积后，再经过倍率为4的上采样后输出多尺度特征图。
更进一步地，所述循环卷积块每块都使用残差连接，然后通过1x1卷积层和最大池化层融合于主干网络。
更进一步地，所述深度神经网络模型是经过网络初始化和随机梯度下降法训练后的模型，具体训练流程为：
将脑部胼胝体分割预测图像与胼胝体状态标签、脑部胼胝体分割标签图像、初始轮廓线建立部分输出的预测胼胝体状态编码对比，计算得到交叉熵损失的和(Lseg)、胼胝体状态编码损失(Lcls)、中心点损失(Lcen)，将各损失与关键点分布调整模块输出的关键点分布向量损失(Lkey)建立损失函数，进行反向传输更新权重优化模型，其中，网络初始化方法为：深度神经网络的卷积层由标准高斯分布进行参数初始化，具体如下所示：权值被设置成一个零均值高斯分布，标准差为
Figure BDA0003065278810000031
其中
Figure BDA0003065278810000032
k1是第l层卷积核的边长大小，dl-1是第l-1层滤波器的数量；
训练方法为：以每一像素的交叉熵损失的和、胼胝体状态编码损失、关键点分布向量损失以及中心点损失的加权和作为损失函数，具体如下所示：
Figure BDA0003065278810000033
其中，
Figure BDA0003065278810000034
为加权因子；
Figure BDA0003065278810000035
其中
Figure BDA0003065278810000036
表示预测的交叉熵，yk表示交叉熵的真实值
Figure BDA0003065278810000037
其中
Figure BDA0003065278810000038
表示预测的胼胝体状态编码，Yk表示胼胝体状态编码的真实值
Figure BDA0003065278810000039
其中
Figure BDA00030652788100000310
表示预测的中心点，Ck表示中心点的真实值；
随机梯度下降法为：采用多项式学习策略，初始学习率乘以
Figure BDA00030652788100000311
初始学习率设置为0.001，power＝0.9。
本发明还提供了一种计算机设备，用于裁剪脑部胼胝体分割预测图像，包括存储器、处理器及存储在存储器上并可在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前述的方法。
本发明还提供了一种用于裁剪脑部胼胝体分割预测图像的系统，包括：超声切面成像仪和前述的计算机设备，所述超声切面成像仪和所述计算机设备通过数据线连接。
本发明最后提供了一种计算机可读存储介质，其上存储有用于实现前述的方法的计算机程序。
本发明具有下述有益效果：
本发明将脑部胼胝体分割转化初始轮廓线建立以及活动轮廓收敛，利用编码解码模块获得多尺度图像特征信息，预测胎儿超声图像的胼胝体状态编码和初始轮廓线，并通过关键点分布向量和损失函数的构建使得关键点侧重分布于突起细节区域，最后通过轮廓微调卷积模块将活动轮廓收敛到所要检测的物体边缘，以此裁剪出的脑部胼胝体分割预测图像，可以实现对胼胝体以及内部结构端到端的状态评估，拥有较高胎儿超声图像分割脑部的准确率。本发明胎儿超声图像状态分析深度神经网络模型填补了脑部超声图像脑部胼胝体状态分析的空白，首创了用脑部超声图像评估脑部胼胝体状态的方法。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1用于胼胝体状态评估的训练测试流程图
图2标签图与预测图比较
图3深度神经网络和胎儿超声图像的胼胝体状态分析框架结构图
具体实施方式
实施例1本发明的胎儿超声图像状态分析深度神经网络模型的构建
(一)图像预处理
a、采集胎儿脑部超声图像以及脑部胼胝体分割标签图像
使用辉度调制型即超声切面成像仪，TRT33型变频双平面经脑部探头采集胎儿脑部超声图像；脑部胼胝体分割标签图像则由医学影像技术人员根据胎儿脑部超声图像标注提供；
b、图像数据预处理
将采集到的胎儿脑部超声图像平移转换、扭曲增强以及弹性形变，并对脑部胼胝体分割标签图像进行角点检测和中心点检测，具体方法为：
①分别利用水平和垂直的差分算子对图像全部像素进行滤波来求得
Figure BDA0003065278810000041
进而求得IXIY,以
Figure BDA0003065278810000042
IxIy、
Figure BDA0003065278810000043
四个元素值组成2*2的矩阵；
②对①中求得的矩阵进行高斯平滑滤波,得到矩阵M.；
③由矩阵M求得行列式的值λ1和λ2,使用如下图像度量表示公式：
R＝min(λ1，λ2)，根据λ1≥λ2且λ2≥λ2max判定强角点，其中λ2max是图像像素点较小特征值中的最大值；
④设定阈值Tc和Tp,用于对提取的特征点的数目和相邻特征点的距离进行定量约束；所述约束是使被比较的胎儿胼胝体预测图像与脑部胼胝体分割标签图像提取的角点数目相同，从而使被比较的胎儿胼胝体预测图像中相邻角点的距离大于设定的阈值；
⑤找到构造的轮廓与真实标注交并比最大的n个角点作为关键点，将关键点距离最远的两个点的中点作为图像的中心点。
(二)构建初始轮廓线建立部分
1)构建编码解码模块
c、将Xception网络所有的最大值池化层结构用步伐为2的深度可分离卷积代替，并且每个3x3的深度可分离卷积都跟批归一化和Relu激活函数，以改进的Xception网络作为基础主干网络，使用级联与跳联方式提取步骤(一)中的胎儿脑部超声图像预处理数据，并将其分为低层语义信息和高层语义信息；
d、用多孔空间金字塔池化模块提取步骤c中的胎儿脑部超声图像语意信息，使不同尺度目标提取特征，不同扩张率大小的空洞卷积得到相同分辨率的多尺度特征图，其中，多孔空间金字塔池化模块由4个不同扩张率的空洞卷积组成，4个分支使用扩张率分别为1、2、4、8的方式进行卷积来针对不同尺度的目标得到相同分辨率的特征图，并对卷积后的特征图增加一个3x3的重叠池化以提升网络的学习能力，且多孔空间金字塔池化模块的每一个尺度的输出串联连接，输出的特征经过一个1x1的卷积后，再经过倍率为4的上采样后输出多尺度特征图。
e、通过通道融合将步骤c的低层语义信息与步骤d的多尺度特征图做信息融合，更好的实现低维空间与高维空间信息的采样，同时更好恢复物体的边缘信息，输出保持分辨率的图像特征后，再将图像特征经过三次1x1的卷积减少其通道数，最后经过全卷积网络输出标有热力图预测中心点、胼胝体预测状态编码和n个预测关键点坐标的初始轮廓线。
2)构建关键点分布调整模块
将步骤e输出的n个预测关键点的坐标和热力图预测中心点位置，与步骤b输出的脑部胼胝体分割标签图像角点和中心点位置输入关键点分布调整模块，在该模块中脑部胼胝体分割标签图像的角点用关键点表述，各关键点分布向量为nx1的一维向量，每个值表示了脑部胼胝体分割标签图像预处理数据中的中心点360/n角度内的关键点数量，以此构建损失函数，通过损失函数将输入的n个预测关键点的坐标更多分布于突起细节区域，同时输出计算得到的关键点分布向量损失，损失函数为：
Figure BDA0003065278810000061
其中
Figure BDA0003065278810000062
表示预测的关键点分布向量，dk表示关键点分布向量的真实值；
(三)构建活动轮廓收敛建立部分
将经关键点分布调整模块调整的关键点输入活动轮廓收缩部分，其中活动轮廓收缩部分由轮廓微调卷积模块组成，轮廓微调卷积模块是由8个循环卷积块组成，循环卷积块由核大小固定为9的循环卷积、批归一化和Relu激活函数组成，每块都使用残差连接，然后通过1x1卷积层和最大池化层用于融合主干网络中的多尺度轮廓特征，最后通过3个1x1卷积输出每个关键点的偏移。
(四)深度神经网络模型的训练优化
将初始轮廓线建立部分输出的的初始轮廓输入活动轮廓收敛部分，与活动轮廓收敛部分输出的关键点偏移量结合，得到脑部胼胝体分割预测图像，再将脑部胼胝体分割预测图像与胼胝体状态标签(即胼胝体发育正常、胼胝体缺如、小胼胝体及胼胝体畸形面)、脑部胼胝体分割标签图像、初始轮廓线建立部分输出的预测胼胝体状态编码对比，计算得到交叉熵损失的和(Lseg)、胼胝体状态编码损失(Lcls)、中心点损失(Lcen)，将各损失与关键点分布调整模块输出的关键点分布向量损失(Lkey)建立损失函数，进行反向传输更新权重，优化模型，具体训练流程为：
①网络初始化：深度神经网络的卷积层由标准高斯分布进行参数初始化，具体如下所示：权值被设置成一个零均值高斯分布，标准差为
Figure BDA0003065278810000063
其中
Figure BDA0003065278810000064
k1是第l层卷积核的边长大小，dl-1是第l-1层滤波器的数量；
②训练：以每一像素的交叉熵损失的和、胼胝体状态编码损失、关键点分布向量损失以及中心点损失的加权和作为损失函数，具体如下所示：
Figure BDA0003065278810000065
其中，
Figure BDA0003065278810000066
为加权因子；
Figure BDA0003065278810000067
其中
Figure BDA0003065278810000068
表示预测的交叉熵，yk表示交叉熵的真实值
Figure BDA0003065278810000071
其中
Figure BDA0003065278810000072
表示预测的胼胝体状态编码，Yk表示胼胝体状态编码的真实值
Figure BDA0003065278810000073
其中
Figure BDA0003065278810000074
表示预测的中心点，Ck表示中心点的真实值；
使用随机梯度下降法为优化方法，采用多项式学习策略，初始学习率乘以
Figure BDA0003065278810000075
初始学习率设置为0.001，power＝0.9。
(五)模型测试
取已知胼胝体状态的胎儿超声图像，用于测试上述训练得到的深度神经网络模型，具体的训练测试流程图见图1，其中一例已知胼胝体状态的胼胝体体标签图与测试生成的胼胝体分割预测图见图2，从图2可知，本发明胎儿超声图像状态分析深度神经网络模型是可行的。
实施例2本发明的胎儿超声图像状态分析
取一位待评估胎儿脑部超声图像数据输入实施例1构建的深度神经网络模型，通过输出的初始轮廓线以及活动轮廓偏移量即可构建出脑部胼胝体分割图，评估胎儿脑部胼胝体状态，具体基于深度神经网络的胎儿超声图像的胼胝体状态分析框架结构见图3。
综上，本发明将脑部胼胝体分割转化初始轮廓线建立以及活动轮廓收敛，利用编码解码模块获得多尺度图像特征信息，预测胎儿超声图像的胼胝体状态编码和初始轮廓线，并通过关键点分布向量和损失函数的构建使得关键点侧重分布于突起细节区域，最后通过轮廓微调卷积模块将活动轮廓收敛到所要检测的物体边缘，以此裁剪出的脑部胼胝体分割预测图像，可以实现对胼胝体以及内部结构端到端的状态评估，拥有较高胎儿超声图像分割脑部的准确率。本发明胎儿超声图像状态分析深度神经网络模型填补了脑部超声图像脑部胼胝体状态分析的空白，首创了用脑部超声图像评估脑部胼胝体状态的方法。

Claims (8)

1.一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法，其特征在于：它是从获取的胎儿脑部超声图像中绘制出胼胝体初始轮廓线，计算胼胝体初始轮廓线的关键点偏移量，根据胼胝体初始轮廓线和关键点偏移量在所述胎儿脑部超声图像中裁剪出脑部胼胝体分割预测图像；
它通过深度神经网络模型实现，所述深度神经网络模型是由图像预处理部分、初始轮廓建立部分和活动轮廓收缩部分组成，其中，图像预处理部分用于胎儿脑部超声图像平移转换、扭曲增强以及弹性形变；初始轮廓建立部分由编码解码模块和关键点分布调整模块组成，用于输出初始轮廓线；活动轮廓收缩部分由轮廓微调卷积模块组成，用于输出关键点偏移量；
所述编码解码模块的结构由基础主干网络、多孔空间金字塔池化模块、信息通道组成，其中，基础主干网络是最大值池化层结构被步伐为2的深度可分离卷积代替并且每个3x3的深度可分离卷积都跟批归一化和Relu激活函数，用于采样提取胎儿超声图像的低层语义信息和高层语义信息；多孔空间金字塔池化模块是由扩张率分别为1、2、4、8的空洞卷积和一个3x3的重叠池化组成，用于将语义信息卷积得到多尺度特征图；信息通道用于将低层语义信息与多尺度特征图融合输出标有热力图预测中心点、胼胝体预测状态编码和n个预测关键点坐标的初始轮廓线；
所述关键点分布调整模块是用损失函数将n个预测关键点的坐标更多分布于突起细节区域；所述损失函数为：
Figure FDA0003666814580000011
其中
Figure FDA0003666814580000012
表示预测的关键点分布向量，dk表示关键点分布向量的真实值；所述关键点分布向量为nx1的一维向量，每个值表示了脑部胼胝体分割标签图像中的中心点360/n角度内的关键点数量；所述脑部胼胝体分割标签图像的角点用关键点表述；
所述轮廓微调卷积模块由核大小固定为9的8个循环卷积、批归一化和Relu激活函数构成的循环卷积块组成。
2.根据权利要求1所述的脑部胼胝体分割预测图像的构建方法，其特征在于：所述图像预处理部分还储存有经角点检测和中心点检测的脑部胼胝体分割标签图像；所述检测的具备方法为：
①分别利用水平和垂直的差分算子对图像全部像素进行滤波来求得
Figure FDA0003666814580000013
进而求得IxIy,以
Figure FDA0003666814580000014
IxIy、
Figure FDA0003666814580000015
四个元素值组成2*2的矩阵；
②对①中求得的矩阵进行高斯平滑滤波,得到矩阵M；
③由矩阵M求得行列式的值λ1和λ2,使用如下图像度量表示公式：
R＝min(λ1，λ2)，根据λ1≥λ2且λ2≥λ2max判定强角点，其中λ2max是图像像素点较小特征值中的最大值；
④设定阈值Tc和Tp,用于对提取的特征点的数目和相邻特征点的距离进行定量约束；所述约束是使被比较的胎儿胼胝体预测图像与脑部胼胝体分割标签图像提取的角点数目相同，从而使被比较的胎儿胼胝体预测图像中相邻角点的距离大于设定的阈值；
⑤找到构造的轮廓与真实标注交并比最大的n个角点作为关键点，将关键点距离最远的两个点的中点作为图像的中心点。
3.根据权利要求1所述的脑部胼胝体分割预测图像的构建方法，其特征在于：所述多孔空间金字塔池化模块的每一个尺度的输出串联连接，输出的特征经过一个1x1的卷积后，再经过倍率为4的上采样后输出多尺度特征图。
4.根据权利要求1所述的脑部胼胝体分割预测图像的构建方法，其特征在于：所述循环卷积块每块都使用残差连接，然后通过1x1卷积层和最大池化层融合于主干网络。
5.根据权利要求1～4任意一项所述的脑部胼胝体分割预测图像的构建方法，其特征在于：所述深度神经网络模型是经过网络初始化和随机梯度下降法训练后的模型，具体训练流程为：
将脑部胼胝体分割预测图像与胼胝体状态标签、脑部胼胝体分割标签图像、初始轮廓线建立部分输出的预测胼胝体状态编码对比，计算得到交叉熵损失的和(Lseg)、胼胝体状态编码损失(Lcls)、中心点损失(Lcen)，将各损失与关键点分布调整模块输出的关键点分布向量损失(Lkey)建立损失函数，进行反向传输更新权重优化模型，其中，网络初始化方法为：深度神经网络的卷积层由标准高斯分布进行参数初始化，具体如下所示：权值被设置成一个零均值高斯分布，标准差为
Figure FDA0003666814580000021
其中
Figure FDA0003666814580000022
k1是第l层卷积核的边长大小，dl-1是第l-1层滤波器的数量；
训练方法为：以每一像素的交叉熵损失的和、胼胝体状态编码损失、关键点分布向量损失以及中心点损失的加权和作为损失函数，具体如下所示：
Figure FDA0003666814580000023
其中，
Figure FDA0003666814580000024
为加权因子；
Figure FDA0003666814580000031
其中
Figure FDA0003666814580000032
表示预测的交叉熵，yk表示交叉熵的真实值
Figure FDA0003666814580000033
其中
Figure FDA0003666814580000034
表示预测的胼胝体状态编码，Yk表示胼胝体状态编码的真实值
Figure FDA0003666814580000035
其中
Figure FDA0003666814580000036
表示预测的中心点，Ck表示中心点的真实值；
随机梯度下降法为：采用多项式学习策略，初始学习率乘以
Figure FDA0003666814580000037
初始学习率设置为0.001，power＝0.9。
6.一种计算机设备，用于裁剪脑部胼胝体分割预测图像，包括存储器、处理器及存储在存储器上并可在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权利要求1-5任一项所述的方法。
7.一种用于裁剪脑部胼胝体分割预测图像的系统，其特征在于，包括：超声切面成像仪和权利要求6所述的计算机设备，所述超声切面成像仪和所述计算机设备通过数据线连接。
8.一种计算机可读存储介质，其上存储有用于实现权利要求1-5任一项所述的方法的计算机程序。
CN202110524586.1A 2021-05-13 2021-05-13 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 Active CN113160265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110524586.1A CN113160265B (zh) 2021-05-13 2021-05-13 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110524586.1A CN113160265B (zh) 2021-05-13 2021-05-13 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法

Publications (2)

Publication Number Publication Date
CN113160265A CN113160265A (zh) 2021-07-23
CN113160265B true CN113160265B (zh) 2022-07-19

Family

ID=76875174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110524586.1A Active CN113160265B (zh) 2021-05-13 2021-05-13 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法

Country Status (1)

Country Link
CN (1) CN113160265B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332139A (zh) * 2021-12-29 2022-04-12 电子科技大学 一种基于先验交互强化学习的胎儿超声图像脑部分割方法
CN114359202A (zh) * 2021-12-29 2022-04-15 电子科技大学 一种基于交互式半监督的胎儿胼胝体分割系统及方法
CN114693693A (zh) * 2022-03-31 2022-07-01 四川大学华西医院 一种基于卷积神经网络的胎儿胼胝体超声图像分割方法
CN116152610B (zh) * 2023-04-04 2023-06-23 北京智源人工智能研究院 智能心脏超声探头位姿预估模型训练方法及位姿预估方法
CN116611349B (zh) * 2023-07-18 2023-10-10 华东交通大学 基于神经网络的滚筒烘丝工艺参数优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211130A (zh) * 2019-05-20 2019-09-06 上海联影智能医疗科技有限公司 图像分割方法、计算机设备和存储介质
CN111862047A (zh) * 2020-07-22 2020-10-30 杭州健培科技有限公司 一种级联的医学影像关键点检测方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8571278B2 (en) * 2005-06-24 2013-10-29 The University Of Iowa Research Foundation System and methods for multi-object multi-surface segmentation
US7680312B2 (en) * 2005-07-13 2010-03-16 Siemens Medical Solutions Usa, Inc. Method for knowledge based image segmentation using shape models
US20100217123A1 (en) * 2009-02-23 2010-08-26 Aharon Eran Methods and systems of managing ultrasonographic diagnosis
CN104665872B (zh) * 2014-12-29 2017-04-05 深圳开立生物医疗科技股份有限公司 一种基于超声图像的颈动脉内中膜厚度测量方法和装置
US11042989B2 (en) * 2016-12-09 2021-06-22 Children's National Medical Center Image segmentation of complex structures
CN108038848B (zh) * 2017-12-07 2020-08-11 上海交通大学 基于医学影像序列斑块稳定性指标的快速计算方法及系统
CN108335304B (zh) * 2018-02-07 2021-08-03 华侨大学 一种腹部ct扫描序列图像的主动脉瘤分割方法
US10930386B2 (en) * 2018-12-11 2021-02-23 International Business Machines Corporation Automated normality scoring of echocardiograms
CN111723845A (zh) * 2020-05-19 2020-09-29 浙江工业大学 一种基于Mask轮廓的细胞图像分割方法
CN112258476A (zh) * 2020-10-22 2021-01-22 大连东软教育科技集团有限公司 超声心动图心肌异常运动模式分析方法、系统及存储介质
CN112258532B (zh) * 2020-10-26 2024-02-06 大连理工大学 一种超声图像中胼胝体的定位及分割方法
CN112633378B (zh) * 2020-12-24 2022-06-28 电子科技大学 一种多模态影像胎儿胼胝体智能检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211130A (zh) * 2019-05-20 2019-09-06 上海联影智能医疗科技有限公司 图像分割方法、计算机设备和存储介质
CN111862047A (zh) * 2020-07-22 2020-10-30 杭州健培科技有限公司 一种级联的医学影像关键点检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
医学图像组织分割算法的研究与实现;李亮;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20140115(第01期);第I138-1962页 *

Also Published As

Publication number Publication date
CN113160265A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113160265B (zh) 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109493346B (zh) 一种基于多损失的胃癌病理切片图像分割方法和装置
CN113705588B (zh) 基于卷积自注意力模块的孪生网络目标跟踪方法与系统
CN109840556B (zh) 一种基于孪生网络的图像分类识别方法
CN111950453B (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN110490082B (zh) 一种有效融合神经网络特征的道路场景语义分割方法
CN113780296A (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN112733800B (zh) 基于卷积神经网络的遥感图像道路信息提取方法和装置
CN112488025B (zh) 基于多模态特征融合的双时相遥感影像语义变化检测方法
CN109977968B (zh) 一种深度学习分类后比较的sar变化检测方法
CN112489164B (zh) 基于改进深度可分离卷积神经网络的图像着色方法
CN116797787B (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN114332098A (zh) 一种基于多序列磁共振影像的颈动脉不稳定斑块分割方法
CN114821316A (zh) 一种三维探地雷达裂缝病害识别方法及系统
CN116645592A (zh) 一种基于图像处理的裂缝检测方法和存储介质
CN107944497A (zh) 基于主成分分析的图像块相似性度量方法
CN112580382B (zh) 基于目标检测二维码定位方法
CN113762396A (zh) 一种二维图像语义分割方法
CN115880557A (zh) 基于深度学习的路面裂缝提取方法和装置
CN116258877A (zh) 土地利用场景相似度变化检测方法、装置、介质及设备
CN116311052A (zh) 一种人群计数方法、装置、电子设备及存储介质
Ebert-Uphoff et al. Evaluation, tuning and interpretation of neural networks for meteorological applications
CN112270370B (zh) 一种车辆表观毁伤评估方法
CN114565764A (zh) 基于舰船实例分割的港口全景感知系统

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