CN114022405A - 一种基于深度学习的血管内超声图像处理方法 - Google Patents
一种基于深度学习的血管内超声图像处理方法 Download PDFInfo
- Publication number
- CN114022405A CN114022405A CN202111073770.5A CN202111073770A CN114022405A CN 114022405 A CN114022405 A CN 114022405A CN 202111073770 A CN202111073770 A CN 202111073770A CN 114022405 A CN114022405 A CN 114022405A
- Authority
- CN
- China
- Prior art keywords
- convolution
- output
- deep learning
- module
- size
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000002608 intravascular ultrasound Methods 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 210000004204 blood vessel Anatomy 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 231100000216 vascular lesion Toxicity 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 206010018852 Haematoma Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G06N3/045—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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
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)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种基于深度学习的血管内超声图像处理方法,对采集的超声图像进行数据增强处理,将进行数据增强处理后的超声图像输入到基于深度学习的血管内斑块自动分割模型中,将自动分割模型分割出的斑块图像输入训练后的卷积神经网络模型中,获得与斑块图像对应的识别结果。本发明通过对采集的超声图像进行数据增强处理可以有效提高超声图像的显示清晰度,减少了图片的多余部分,对图片大小进行精简,通过基于深度学习的血管内斑块自动分割模型可以准确、快速地对血管内的斑块图像进行自动分割,便于后续通过卷积神经网络模型进行自动识别,实现了快速、客观、准确地对血管病变进行自动识别和评估分析。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于深度学习的血管内超声图像处理方法。
背景技术
目前:血管内超声(intravascular ultrasound,IVUS)是目前诊断冠心病最直接、准确的方法,其原理是将微型化的超声探头通过导管送入心血管内,利用安装在导管尖端的微型压电换能器来产生超声信号,根据不同血管组织成份的声学特性的差异性得到不同的超声回波信号,从而得出包含血管壁结构和斑块组织的血管二维横截面的实时断层图像,实现对血管壁和内膜动脉粥样硬化病变的定量评估。但是由于超声图像对比度低、受噪声和各种伪像影响大,要区分斑块的组织特征还比较困难。另外,IVUS的分辨率约100μm左右,难以区分纤维帽厚度小于70μm的易损斑块。IVUS回撤序列中通常有上千帧图像,对其中有诊断意义的图像人工准确识别和手动勾画需要具备成熟血管内超声诊断能力的医生才能完成,导致目前国内很多心血管介入科室出现把拥有多年的血管内超声搁置一旁的尴尬现象。临床介入医生在学习和应用IVUS这项技术中发现,IVUS的学习曲线比较长。从初学者到能够熟练准确的判读IVUS影像需要较长的时间,对临床医生而言,在夹层,壁内血肿,血栓的影像判断上是难点,恰恰是这三者在冠脉介入手术中,如果处理不当会关乎患者的预后甚至生命安危。尽管IVUS已由原来的20Hz发展到目前的60Hz,影像的清晰度提高了,但分辨率并没有提高,同一帧影像不同的判读者常给出不同的结论,只有准确的判读IVUS影像才能达到优化PCI和精准治疗目标,从而改善患者远期预后,IVUS影像准确的判断成为临床介入医生工作中的主要困扰。因此,临床上缺乏一种快速、客观、准确地对血管病变进行自动识别和评估分析的辅助诊断体系。21世纪的人工智能风潮几乎席卷了所有行业,精准和快速成为人工智能的重点发展目标,国家相关政策也将人工智能作为重点发展。在医疗领域,尤其是病理与放射读片、手术机器人等方面,智能诊断功能都已初具雏形,但超声领域却存在着诸多限制因素:由于超声图像的采集目前还缺乏统一的标准,图像的采集受到医生操作制约,不同角度和不同采集位置对于结果存在很大影响,同时超声影像中不同组织结构差异大,采集中的动态图像实施结果传输对于人工智能图像的识别与诊断要求更高,因此目前超声工作的人工智能发展之路还尚在起步阶段。
通过上述分析,现有技术存在的问题及缺陷为:现有的血管内超声图像的对比度低、受噪声和各种伪像影响大,要区分斑块的组织特征比较困难;分辨率较低,造成不同的判读者得出的结论不同。
发明内容
针对现有技术存在的问题,本发明提供了一种基于深度学习的血管内超声图像处理方法。
本发明是这样实现的,一种基于深度学习的血管内超声图像处理方法包括:
步骤一,利用图像采集模块对血管内的超声图像进行采集;
步骤二,对采集的超声图像进行数据增强处理,包括旋转、剪裁、翻转变换、缩放变换、平移变换和噪声扰动;
步骤三,构建基于深度学习的血管内斑块自动分割模型,并将进行数据增强处理后的超声图像输入到基于深度学习的血管内斑块自动分割模型中;
步骤四,将基于深度学习的血管内斑块自动分割模型分割出的斑块图像输入训练后的卷积神经网络模型中,获得与斑块图像对应的识别结果。
进一步,所述基于深度学习的血管内斑块自动分割模型的执行方法包括:
(1)数据先经过两个卷积核大小为3,卷积步长为1的卷积操作;
(2)步骤(1)中的输出经过group normalization操作并输入到下一级Ecd1编码模块;
(3)步骤(2)中的Ecd1编码模块经过编码后,采用max_pool进行下采样,并将采样结果输出到下一级,max_pool采样核大小为2,采样步长为2;
(4)与步骤(3)的操作相同,对上一级的输出,进行编码并进行采样,直到Ecd5;
(5)将Ecd5的编码结果输入到Ecd6进行深度编码,Ecd5和Ecd6不进行max_pool下采样;
(6)将Ecd6的编码结果与Ecd4的输出拼接组成新的数据,并输入到Dcd1模块中进行解码;
(7)与步骤(6)类似,将上一级的解码输出与对应的编码模块拼接生成新的数据,并作为下一级解码的输入,直到与Ecd1拼接解码完成为止;
(8)将步骤(7)的输出经过两个卷积核大小为3,卷积步长为1的卷积操作;
(9)将步骤(8)的输出经过softmax函数后的输出作为最终的模型预测输出结果。
进一步,所述编码模块分为两条线路,上边为main branch,下边为refinebranch,所述mianbranch线路的编码方法包括:
1)输入特征经过两个卷积和大小为3,卷积步长为1的卷积操作;
2)将步骤1)的输出特征输入到Dense模块中进行深度特征融合;
3)经过深度特征融合后的特征经过max_pool模块进行下采样,其中max_pool的采样核大小为2,采样步长为2;
4)将采样后的结果与refine branch的输出进行叠加,并将叠加后的结果经过unpooling上采样,将特征大小恢复到max_pool采样前的大小;
5)将步骤4)中的输出与步骤2的输出进行拼接,并经过1个卷积和大小为3,卷积步长为1的卷积操作;
6)将步骤5)的输出经过group normalization操作后,并输出结果。
进一步,所述refine branch线路的编码方法包括:
第一步,将输入特征经过两个卷积和大小为5,卷积步长为1的卷积操作;
第二步,将第一步的输出经过1个卷积和大小为3,卷积步长为2的卷积操作,对步骤1的输出实现下采样。
进一步,所述解码模块分为两条线路,skip features线路与max_pool线路;
所述skip features线路的解码方法包括:
输入为与解码模块对应的编码模块的输出,将连接的特征输入到unpooling操作中,再经过1个卷积和大小为3,卷积步长为1的卷积操作;
所述max_pool线路的解码方法包括:
输入为上一级解码模块的输出,将连接的特征输入到deconvolution操作中进行解码。
进一步,将skip features线路与max_pool线路的输出进行拼接后输入到1个卷积和大小为3,卷积步长为1的卷积操作;将输出经过一个dense连接模块,实现特征的深度融合。
进一步,所述dense连接模块的输入特征经过连续的4个卷积和大小为3,卷积步长为1的卷积操作,其中下一级的输入,为前面所有模块输出的拼接。
进一步,损失函数由两部分组成,dice loss和加权交叉熵损失:
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明通过对采集的超声图像进行数据增强处理可以有效提高超声图像的显示清晰度,减少了图片的多余部分,对图片大小进行精简,通过基于深度学习的血管内斑块自动分割模型可以准确、快速地对血管内的斑块图像进行自动分割,便于后续通过卷积神经网络模型进行自动识别。本发明通过对血管内超声图像的斑块进行自动分割定位、识别,实现了快速、客观、准确地对血管病变进行自动识别和评估分析。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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是本发明实施例提供的基于深度学习的血管内超声图像处理方法流程图。
图2是本发明实施例提供的基于深度学习的血管内斑块自动分割模型的结构原理图。
图3是本发明实施例提供的编码模块的结构原理图。
图4是本发明实施例提供的解码模块的结构原理图。
图5是本发明实施例提供的dense连接模块的结构原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于深度学习的血管内超声图像处理方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于深度学习的血管内超声图像处理方法包括:
S101,利用图像采集模块对血管内的超声图像进行采集;
S102,对采集的超声图像进行数据增强处理,包括旋转、剪裁、翻转变换、缩放变换、平移变换和噪声扰动;
S103,构建基于深度学习的血管内斑块自动分割模型,并将进行数据增强处理后的超声图像输入到基于深度学习的血管内斑块自动分割模型中;
S104,将基于深度学习的血管内斑块自动分割模型分割出的斑块图像输入训练后的卷积神经网络模型中,获得与斑块图像对应的识别结果。
如图2所示,为本发明实施例提供的基于深度学习的血管内斑块自动分割模型的结构原理图。所述基于深度学习的血管内斑块自动分割模型的执行方法包括:
(1)数据先经过两个卷积核大小为3,卷积步长为1的卷积操作;
(2)步骤(1)中的输出经过group normalization操作并输入到下一级Ecd1编码模块;
(3)步骤(2)中的Ecd1编码模块经过编码后,采用max_pool进行下采样,并将采样结果输出到下一级,max_pool采样核大小为2,采样步长为2;
(4)与步骤(3)的操作相同,对上一级的输出,进行编码并进行采样,直到Ecd5;
(5)将Ecd5的编码结果输入到Ecd6进行深度编码,Ecd5和Ecd6不进行max_pool下采样;
(6)将Ecd6的编码结果与Ecd4的输出拼接组成新的数据,并输入到Dcd1模块中进行解码;
(7)与步骤(6)类似,将上一级的解码输出与对应的编码模块拼接生成新的数据,并作为下一级解码的输入,直到与Ecd1拼接解码完成为止;
(8)将步骤(7)的输出经过两个卷积核大小为3,卷积步长为1的卷积操作;
(9)将步骤(8)的输出经过softmax函数后的输出作为最终的模型预测输出结果。
如图3所示,本发明实施例中的编码模块分为两条线路,上边为mainbranch,下边为refine branch,所述mianbranch线路的编码方法包括:
1)输入特征经过两个卷积和大小为3,卷积步长为1的卷积操作;
2)将步骤1)的输出特征输入到Dense模块中进行深度特征融合;
3)经过深度特征融合后的特征经过max_pool模块进行下采样,其中max_pool的采样核大小为2,采样步长为2;
4)将采样后的结果与refine branch的输出进行叠加,并将叠加后的结果经过unpooling上采样,将特征大小恢复到max_pool采样前的大小;
5)将步骤4)中的输出与步骤2的输出进行拼接,并经过1个卷积和大小为3,卷积步长为1的卷积操作;
6)将步骤5)的输出经过group normalization操作后,并输出结果。
进一步,所述refine branch线路的编码方法包括:
第一步,将输入特征经过两个卷积和大小为5,卷积步长为1的卷积操作;
第二步,将第一步的输出经过1个卷积和大小为3,卷积步长为2的卷积操作,对步骤1的输出实现下采样。
如图4所示,本发明实施例中的解码模块分为两条线路,skip features线路与max_pool线路;
所述skip features线路的解码方法包括:
输入为与解码模块对应的编码模块的输出,将连接的特征输入到unpooling操作中,再经过1个卷积和大小为3,卷积步长为1的卷积操作;
所述max_pool线路的解码方法包括:
输入为上一级解码模块的输出,将连接的特征输入到deconvolution操作中进行解码。
进一步,将skip features线路与max_pool线路的输出进行拼接后输入到1个卷积和大小为3,卷积步长为1的卷积操作;将输出经过一个dense连接模块,实现特征的深度融合。
如图5所示,本发明实施例中的dense连接模块的输入特征经过连续的4个卷积和大小为3,卷积步长为1的卷积操作,其中下一级的输入,为前面所有模块输出的拼接。
本发明实施例中的损失函数由两部分组成,dice loss和加权交叉熵损失:
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的血管内超声图像处理方法,其特征在于,所述基于深度学习的血管内超声图像处理方法包括:
步骤一,利用图像采集模块对血管内的超声图像进行采集;
步骤二,对采集的超声图像进行数据增强处理,包括旋转、剪裁、翻转变换、缩放变换、平移变换和噪声扰动;
步骤三,构建基于深度学习的血管内斑块自动分割模型,并将进行数据增强处理后的超声图像输入到基于深度学习的血管内斑块自动分割模型中;
步骤四,将基于深度学习的血管内斑块自动分割模型分割出的斑块图像输入训练后的卷积神经网络模型中,获得与斑块图像对应的识别结果。
2.如权利要求1所述的基于深度学习的血管内超声图像处理方法,其特征在于,所述基于深度学习的血管内斑块自动分割模型的执行方法包括:
(1)数据先经过两个卷积核大小为3,卷积步长为1的卷积操作;
(2)步骤(1)中的输出经过group normalization操作并输入到下一级Ecd1编码模块;
(3)步骤(2)中的Ecd1编码模块经过编码后,采用max_pool进行下采样,并将采样结果输出到下一级,max_pool采样核大小为2,采样步长为2;
(4)与步骤(3)的操作相同,对上一级的输出,进行编码并进行采样,直到Ecd5;
(5)将Ecd5的编码结果输入到Ecd6进行深度编码,Ecd5和Ecd6不进行max_pool下采样;
(6)将Ecd6的编码结果与Ecd4的输出拼接组成新的数据,并输入到Dcd1模块中进行解码;
(7)与步骤(6)类似,将上一级的解码输出与对应的编码模块拼接生成新的数据,并作为下一级解码的输入,直到与Ecd1拼接解码完成为止;
(8)将步骤(7)的输出经过两个卷积核大小为3,卷积步长为1的卷积操作;
(9)将步骤(8)的输出经过softmax函数后的输出作为最终的模型预测输出结果。
3.如权利要求2所述的基于深度学习的血管内超声图像处理方法,其特征在于,所述编码模块分为两条线路,上边为mainbranch,下边为refine branch,所述mianbranch线路的编码方法包括:
1)输入特征经过两个卷积和大小为3,卷积步长为1的卷积操作;
2)将步骤1)的输出特征输入到Dense模块中进行深度特征融合;
3)经过深度特征融合后的特征经过max_pool模块进行下采样,其中max_pool的采样核大小为2,采样步长为2;
4)将采样后的结果与refine branch的输出进行叠加,并将叠加后的结果经过unpooling上采样,将特征大小恢复到max_pool采样前的大小;
5)将步骤4)中的输出与步骤2的输出进行拼接,并经过1个卷积和大小为3,卷积步长为1的卷积操作;
6)将步骤5)的输出经过group normalization操作后,并输出结果。
4.如权利要求3所述的基于深度学习的血管内超声图像处理方法,其特征在于,所述refine branch线路的编码方法包括:
第一步,将输入特征经过两个卷积和大小为5,卷积步长为1的卷积操作;
第二步,将第一步的输出经过1个卷积和大小为3,卷积步长为2的卷积操作,对步骤1的输出实现下采样。
5.如权利要求2所述的基于深度学习的血管内超声图像处理方法,其特征在于,所述解码模块分为两条线路,skip features线路与max_pool线路;
所述skip features线路的解码方法包括:
输入为与解码模块对应的编码模块的输出,将连接的特征输入到unpooling操作中,再经过1个卷积和大小为3,卷积步长为1的卷积操作;
所述max_pool线路的解码方法包括:
输入为上一级解码模块的输出,将连接的特征输入到deconvolution操作中进行解码。
6.如权利要求5所述的基于深度学习的血管内超声图像处理方法,其特征在于,将skipfeatures线路与max_pool线路的输出进行拼接后输入到1个卷积和大小为3,卷积步长为1的卷积操作;将输出经过一个dense连接模块,实现特征的深度融合。
7.如权利要求6所述的基于深度学习的血管内超声图像处理方法,其特征在于,所述dense连接模块的输入特征经过连续的4个卷积和大小为3,卷积步长为1的卷积操作,其中下一级的输入,为前面所有模块输出的拼接。
9.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤:
步骤一,利用图像采集模块对血管内的超声图像进行采集;
步骤二,对采集的超声图像进行数据增强处理,包括旋转、剪裁、翻转变换、缩放变换、平移变换和噪声扰动;
步骤三,构建基于深度学习的血管内斑块自动分割模型,并将进行数据增强处理后的超声图像输入到基于深度学习的血管内斑块自动分割模型中;
步骤四,将基于深度学习的血管内斑块自动分割模型分割出的斑块图像输入训练后的卷积神经网络模型中,获得与斑块图像对应的识别结果。
10.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~8任意一项所述的基于深度学习的血管内超声图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111073770.5A CN114022405A (zh) | 2021-09-14 | 2021-09-14 | 一种基于深度学习的血管内超声图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111073770.5A CN114022405A (zh) | 2021-09-14 | 2021-09-14 | 一种基于深度学习的血管内超声图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022405A true CN114022405A (zh) | 2022-02-08 |
Family
ID=80054156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111073770.5A Pending CN114022405A (zh) | 2021-09-14 | 2021-09-14 | 一种基于深度学习的血管内超声图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022405A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926374A (zh) * | 2022-07-21 | 2022-08-19 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
-
2021
- 2021-09-14 CN CN202111073770.5A patent/CN114022405A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926374A (zh) * | 2022-07-21 | 2022-08-19 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
CN114926374B (zh) * | 2022-07-21 | 2022-10-11 | 四川新迎顺信息技术股份有限公司 | 一种基于ai的图像处理方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476757B (zh) | 一种冠脉斑块数据检测方法、系统、存储介质、终端 | |
US7978916B2 (en) | System and method for identifying a vascular border | |
CN112469340A (zh) | 具有用于引导式肝成像的人工神经网络的超声系统 | |
CN113066061B (zh) | 一种基于mra的动脉瘤检测方法、系统、终端及介质 | |
CN113436166A (zh) | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
CN113205524B (zh) | 基于U-Net的血管图像分割方法、装置和设备 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
Xie et al. | Vessel lumen segmentation in internal carotid artery ultrasounds with deep convolutional neural networks | |
CN109003280B (zh) | 一种双通道血管内超声影像的血管中内膜分割方法 | |
Cao et al. | Multiparameter synchronous measurement with IVUS images for intelligently diagnosing coronary cardiac disease | |
CN114022405A (zh) | 一种基于深度学习的血管内超声图像处理方法 | |
CN116503607A (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
CN113470060B (zh) | 基于ct影像的冠状动脉多角度曲面重建可视化方法 | |
Shibutani et al. | Automated classification of coronary atherosclerotic plaque in optical frequency domain imaging based on deep learning | |
CN112070778A (zh) | 一种基于血管内oct和超声图像融合的多参量提取方法 | |
CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
Huang et al. | POST-IVUS: A perceptual organisation-aware selective transformer framework for intravascular ultrasound segmentation | |
WO2022096867A1 (en) | Image processing of intravascular ultrasound images | |
CN113658700A (zh) | 一种基于机器学习的门脉高压无创评估方法及系统 | |
Mi et al. | Detecting carotid intima-media from small-sample ultrasound images | |
CN113744234A (zh) | 一种基于gan的多模态脑部图像配准方法 | |
CN113592802A (zh) | 一种基于超声图像的二尖瓣环位移自动检测系统 | |
Zhan et al. | Recognition of angiographic atherosclerotic plaque development based on deep learning | |
CN115482246B (zh) | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
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 |