CN116721159A - 超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法 - Google Patents
超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法 Download PDFInfo
- Publication number
- CN116721159A CN116721159A CN202310978943.0A CN202310978943A CN116721159A CN 116721159 A CN116721159 A CN 116721159A CN 202310978943 A CN202310978943 A CN 202310978943A CN 116721159 A CN116721159 A CN 116721159A
- Authority
- CN
- China
- Prior art keywords
- carotid
- carotid artery
- central point
- ultrasound image
- ultrasonic
- 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.)
- Granted
Links
- 210000001715 carotid artery Anatomy 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000002604 ultrasonography Methods 0.000 claims abstract description 144
- 238000012549 training Methods 0.000 claims abstract description 67
- 239000000523 sample Substances 0.000 claims abstract description 29
- 238000013519 translation Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 71
- 238000012545 processing Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000002203 pretreatment Methods 0.000 claims description 8
- 238000009827 uniform distribution Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 101000742346 Crotalus durissus collilineatus Zinc metalloproteinase/disintegrin Proteins 0.000 description 1
- 101000872559 Hediste diversicolor Hemerythrin Proteins 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001168 carotid artery common Anatomy 0.000 description 1
- 210000000269 carotid artery external Anatomy 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 208000006170 carotid stenosis Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法，属于智慧医疗技术领域。该方案中，首先训练得到超声颈动脉中心点坐标预测模型，然后利用该训练好的预测模型得到当前采集的超声图像中颈动脉中心点的位置，最后利用预测得到的中心点位置指导超声探头做出准确的左右平移，从而采集到更加清晰的超声颈动脉横切面。该方法主要用于智慧医疗场景中，通过智能模型控制超声探头自动追踪患者颈动脉的位置，进而辅助整个智能系统完成自主颈动脉超声的扫描流程。本发明解决了现有方法在人工智能辅助超声扫描中存在的准确率不足的问题。另外，本发明通过增强训练数据，得到了表现稳定、泛化能力强的预测模型，解决了训练数据量少的问题。
Description
技术领域
本发明涉及智慧医疗技术领域，尤其涉及一种超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法。
背景技术
颈动脉超声检查是使用超声仪器检查颈动脉中血液的流动情况，重点排查颈动脉斑块和颈动脉狭窄等状况。该项检查具有无痛、无侵害性、易操作、无放射性、低花费等特点，被广泛应用于脑卒中相关颅内外动脉病变的筛查、诊断与随访。颈动脉超声检查的一般流程包括：一、将超声探头置于颈根部并缓慢向头侧移动作横向探测，通过颈动脉横切面的影像测量血管内径以及观察血管壁的状态；二、取颈前侧位作纵向探测，从颈根部沿颈总动脉血管长轴作纵向扫查，越过膨大部分别显示颈内及颈外动脉长轴。
人工智能模型在图像分类、目标识别、自动导航等领域取得瞩目的成就，在医学领域辅助超声诊断等任务也有突破性进展。目前，常见的人工智能辅助超声扫描系统以超声探头扫描得到的超声图像为输入，通过深度卷积网络对成像质量进行判断，并且生成包含位置与方向的位姿参数，提示操作员根据参数选择探头的移动方向，而此类方法通常远低于专业医师采集的成功率。与其他器官的超声图像不同，在超声图像中颈动脉横切面呈圆形或椭圆形，因此可以考虑使用深度卷积神经网络来判断目标影像中颈动脉中心点的坐标，以此为依据调整探头的位置，使得颈动脉的中心点位于整个影像的中心，从而更容易得到清晰的颈动脉影像。目前，在人体姿态估计、自动驾驶等领域中点坐标回归的方法得到了广泛的应用。在人体姿态估计中，现有工作主要通过点坐标回归来获得人体躯干中部分关键点坐标，从而得到图像中人整体的姿态。在自动驾驶中，该方法主要用于道路检测，即预测道路中关键点的坐标。而以上应用场景中的图像均为现实生活中常见的图像（如人体、道路等），并且模型的训练目标是同时回归图像中多个关键点的坐标。颈动脉超声图像的不同之处在于其属于医学图像，与现实生活中自然图像的内容差异较大；同时，对于颈动脉超声图像，仅需要精确地回归影像中一个关键点（即颈动脉中心点）坐标。因此，上述现有方法并不能很好地应用于颈动脉超声图像。另外，自然图像在训练集的规模上相较医学图像而言往往具有较大优势，而医学图像面临的一个主要问题是数据的获取难度较大、标注的样本数较小。上述提到关键点坐标回归的方法在训练过程中通常需要使用大量数据作为训练集，例如人体姿态检测中常用的数据集MPII human pose dataset中包括四万余张人工标注的图像；道路检测中常用的数据集CULane dataset则包括13万余张图像。对颈动脉超声图像中心点回归任务而言，一个非常关键的、无法回避的问题就是标注数据较少，仅有3400余张图像，而且到目前为止，尚未发现公开的、带有标注的相关数据集。训练集图像仅能通过临床采集的方式获取，再请相关领域的医师逐张进行人工标注，因此数据量十分有限。
发明内容
为了解决现有技术中存在的问题，本发明提供了如下技术方案。
本发明第一方面提供了一种超声颈动脉中心点坐标预测模型的训练方法，包括：
获取训练数据，所述训练数据包括颈动脉超声图像及其对应的人工标注的是否存在颈动脉中心点的信息以及存在时的中心点坐标信息；
将所述训练数据输入到预测模型中，得到所述颈动脉超声图像的特征向量，并利用所述特征向量预测得到所述颈动脉超声图像中是否存在颈动脉中心点的信息，以及存在时的中心点坐标信息；
利用人工标注的是否存在颈动脉中心点的信息与预测的颈动脉中心点是否存在的信息计算第一损失函数；利用人工标注的中心点坐标信息与预测的中心点坐标信息计算第二损失函数；当预测的颈动脉超声图像中不存在颈动脉中心点时，利用第一损失函数作为总损失函数；当预测的颈动脉超声图像中存在颈动脉中心点时，利用第一损失函数和第二损失函数计算总损失函数；
通过降低总损失函数优化所述预测模型的参数，得到训练好的预测模型。
优选地，所述超声颈动脉中心点坐标预测模型的训练方法还包括：对所述训练数据进行增强处理，包括高斯模糊处理、或颈动脉超声图像亮度或对比度的随机改变处理、或颈动脉超声图像及其对应的人工标注的颈动脉中心点坐标在水平或竖直方向上的随机平移处理。
优选地，所述高斯模糊处理包括：
，
式中，为处理前的颈动脉超声图像，/>为高斯模糊处理后的颈动脉超声图像，/>为服从二元高斯分布的卷积核，/>为/>的方差，/>为/>的横坐标，/>为/>的纵坐标。
优选地，所述颈动脉超声图像亮度的随机改变处理包括：
，
式中，为处理前的颈动脉超声图像，/>为亮度的随机改变处理后的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为亮度系数，/>通过在指定范围的均匀分布中随机采样获得。
优选地，所述颈动脉超声图像对比度的随机改变处理包括：
，
，
式中，为处理前的/>的颈动脉超声图像，/>为对比度的随机改变处理后的的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为/>的均值，/>为对比度系数，/>通过在指定范围的均匀分布中随机采样获得，/>为颈动脉超声图像的宽度，/>为颈动脉超声图像的高度。
优选地，所述颈动脉超声图像及其对应的人工标注的颈动脉中心点坐标在水平或竖直方向上的随机平移处理包括：
，
，
式中，为处理前的/>的颈动脉超声图像，/>为随机平移处理后的/>的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为的颈动脉中心点坐标，/>为/>的颈动脉中心点坐标，/>为颈动脉中心点在水平方向上的随机平移量，/>为颈动脉中心点在垂直方向上的随机平移量，/>和/>的值分别通过在均匀分布/>和/>中随机采样获得，/>为颈动脉超声图像的宽度，/>为颈动脉超声图像的高度。
优选地，所述利用第一损失函数和第二损失函数计算总损失函数包括：
，
，
，
式中，为第一损失函数，/>为第二损失函数，/>为总损失函数，为颈动脉中心点是否真实存在的标签，/>为颈动脉超声图像中存在颈动脉中心点的概率，/>为颈动脉中心点的坐标，/>为颈动脉超声图像中颈动脉中心点坐标信息，/>为权重参数。
本发明第二方面提供了一种超声颈动脉中心点坐标预测模型的训练装置，包括：
训练数据获取模块，用于获取训练数据，所述训练数据包括颈动脉超声图像及其对应的人工标注的是否存在颈动脉中心点的信息以及存在时的中心点坐标信息；
模型预测模块，用于将所述训练数据输入到预测模型中，得到所述颈动脉超声图像的特征向量，并利用所述特征向量预测得到所述颈动脉超声图像中是否存在颈动脉中心点的信息，以及存在时的中心点坐标信息；
损失函数计算模块，用于利用人工标注的是否存在颈动脉中心点的信息与预测的颈动脉中心点是否存在的信息计算第一损失函数；利用人工标注的中心点坐标信息与预测的中心点坐标信息计算第二损失函数；当预测的颈动脉超声图像中不存在颈动脉中心点时，利用第一损失函数作为总损失函数；当预测的颈动脉超声图像中存在颈动脉中心点时，利用第一损失函数和第二损失函数计算总损失函数；
模型优化模块，用于通过降低总损失函数优化所述预测模型的参数，得到训练好的预测模型。
本发明第三方面提供了一种超声颈动脉中心点坐标的预测方法，包括：
将当前采集的颈动脉超声图像输入到训练好的预测模型中，得到是否存在颈动脉中心点以及存在时颈动脉中心点坐标信息；
所述训练好的预测模型为预先利用第一方面所述的训练方法训练得到的。
本发明第四方面提供了一种颈动脉横切面追踪方法，包括：
根据第三方面得到的结果调整超声探头位置，使得颈动脉中心点位于当前采集的颈动脉超声图像的中心，得到颈动脉横切面。
优选地，若当前采集的颈动脉超声图像中存在颈动脉中心点的概率大于等于0.5，则按照如下方法调整超声探头位置：
若颈动脉中心点的横坐标小于等于0.4，则向右移动超声探头；
若颈动脉中心点的横坐标大于等于0.6，则向左移动超声探头；
否则不移动超声探头。
本发明第五方面提供了一种存储器，存储有多条指令，所述指令用于实现如第一方面所述的训练方法、第三方面所述的预测方法、以及第四方面所述的追踪方法。
本发明第六方面提供了一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如第一方面所述的训练方法、第三方面所述的预测方法、以及第四方面所述的追踪方法。
本发明的有益效果是：本发明提供的超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法，通过训练得到超声颈动脉中心点坐标预测模型，利用该训练好的预测模型可以得到当前采集的超声图像中颈动脉中心点的位置，并可以利用预测得到的中心点位置更加准确地预估探头位姿参数，指导超声探头做出准确的左右平移，从而采集到更加清晰、准确的超声颈动脉横切面。该方法主要用于智慧医疗场景中，通过智能模型控制超声探头自动追踪患者颈动脉的位置，进而辅助整个智能系统完成自主颈动脉超声的扫描流程，解决了现有方法在人工智能辅助超声扫描中存在的准确率不足的问题。另外，本发明提供的方法针对训练数据量少的问题，利用颈动脉超声图像的特点进行了有效地数据增强，从而用较少的训练数据训练出了表现稳定、泛化能力强的神经网络模型。
附图说明
图1为本发明所述超声颈动脉中心点坐标预测模型的训练方法流程示意图；
图2为本发明所述超声颈动脉中心点坐标预测模型的训练装置的功能结构示意图。
具体实施方式
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例一
如图1所示，本发明实施例提供了一种超声颈动脉中心点坐标预测模型的训练方法，包括：S101，获取训练数据，所述训练数据包括颈动脉超声图像及其对应的人工标注的是否存在颈动脉中心点的信息以及存在时的中心点坐标信息；S102，将所述训练数据输入到预测模型中，得到所述颈动脉超声图像的特征向量，并利用所述特征向量预测得到所述颈动脉超声图像中是否存在颈动脉中心点的信息，以及存在时的中心点坐标信息；S103，利用人工标注的是否存在颈动脉中心点的信息与预测的颈动脉中心点是否存在的信息计算第一损失函数；利用人工标注的中心点坐标信息与预测的中心点坐标信息计算第二损失函数；当预测的颈动脉超声图像中不存在颈动脉中心点时，利用第一损失函数作为总损失函数；当预测的颈动脉超声图像中存在颈动脉中心点时，利用第一损失函数和第二损失函数计算总损失函数；S104，通过降低总损失函数优化所述预测模型的参数，得到训练好的预测模型。
其中，在步骤S101中，由于作为训练数据的颈动脉超声图像获取难度较大、标注的样本数较小，本发明中，利用颈动脉超声图像的特点进行了训练数据的增强处理，通过有效的数据增强，用较少的训练数据训练出了表现稳定、泛化能力强的中心点坐标预测模型。
具体的，对所述训练数据进行增强处理，主要包括高斯模糊处理、或颈动脉超声图像亮度或对比度的随机改变处理、或颈动脉超声图像及其对应的人工标注的颈动脉中心点坐标在水平或竖直方向上的随机平移处理。
其中，所述高斯模糊处理是对于尺寸为的原始颈动脉超声图像/>平滑化处理，利用一个服从二元高斯分布的卷积核与图像做卷积，即：
，
式中，为处理前的颈动脉超声图像，/>为高斯模糊处理后的颈动脉超声图像，/>为服从二元高斯分布的卷积核，/>为/>的方差，/>为/>的横坐标，/>为/>的纵坐标。
进一步地，所述颈动脉超声图像亮度的随机改变处理是对于尺寸为的原始颈动脉超声图像/>，在一定范围内调整其亮度得到处理后的图像/>。即：
，
式中，为处理前的颈动脉超声图像，/>为亮度的随机改变处理后的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为亮度系数，/>通过在指定范围的均匀分布中随机采样获得。
所述颈动脉超声图像对比度的随机改变处理是对于尺寸为的原始颈动脉超声图像/>，首先求其均值，即：
，
得到均值后对图像进行如下处理以得到数据增强后的图像：
，
式中，为处理前的/>的颈动脉超声图像，/>为对比度的随机改变处理后的的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为/>的均值，/>为对比度系数，/>通过在指定范围的均匀分布中随机采样获得，/>为颈动脉超声图像的宽度，/>为颈动脉超声图像的高度。
所述颈动脉超声图像及其对应的人工标注的颈动脉中心点坐标在水平或竖直方向上的随机平移处理包括：
，
，
式中，为处理前的/>的颈动脉超声图像，/>为随机平移处理后的/>的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为/>的颈动脉中心点坐标，/>为/>的颈动脉中心点坐标，/>为颈动脉中心点在水平方向上的随机平移量，/>为颈动脉中心点在垂直方向上的随机平移量，/>和/>的值分别通过在均匀分布/>和/>中随机采样获得，/>为颈动脉超声图像的宽度，/>为颈动脉超声图像的高度。
在步骤S102中，首先使用神经网络将颈动脉超声图像编码成颈动脉超声编码向量，然后利用此编码向量进一步预测中心点是否存在以及中心点坐标。即：
，
，
，
其中，为输入的颈动脉超声图像；/>为需训练的神经网络；/>为颈动脉超声编码向量。将颈动脉超声图像输入到神经网络并得到/>后，将/>分别通过两个不同的全连接层（/>和/>），即可得到神经网络最终预测的信息。其中，/>，表示颈动脉超声图像/>中存在中心点的概率；/>，，表示在当前颈动脉超声图像存在中心点的前提下，中心点的坐标。
在步骤S103中，可以采用如下公式计算各损失函数：
，
，
，
式中，为第一损失函数，/>为第二损失函数，/>为总损失函数，为颈动脉中心点是否真实存在的标签，/>为颈动脉超声图像中存在颈动脉中心点的概率，/>为颈动脉中心点的坐标，/>为颈动脉超声图像中颈动脉中心点坐标信息，/>为权重参数。
在步骤S104中，通过降低总损失函数优化所述预测模型的参数，得到训练好的预测模型。
实施例二
如图2所示，本发明的另一方面还包括和前述方法流程完全对应一致的功能模块架构，即本发明实施例还提供了一种超声颈动脉中心点坐标预测模型的训练装置，包括：训练数据获取模块201，用于获取训练数据，所述训练数据包括颈动脉超声图像及其对应的人工标注的是否存在颈动脉中心点的信息以及存在时的中心点坐标信息；模型预测模块202，用于将所述训练数据输入到预测模型中，得到所述颈动脉超声图像的特征向量，并利用所述特征向量预测得到所述颈动脉超声图像中是否存在颈动脉中心点的信息，以及存在时的中心点坐标信息；损失函数计算模块203，用于利用人工标注的是否存在颈动脉中心点的信息与预测的颈动脉中心点是否存在的信息计算第一损失函数；利用人工标注的中心点坐标信息与预测的中心点坐标信息计算第二损失函数；当预测的颈动脉超声图像中不存在颈动脉中心点时，利用第一损失函数作为总损失函数；当预测的颈动脉超声图像中存在颈动脉中心点时，利用第一损失函数和第二损失函数计算总损失函数；模型优化模块204，用于通过降低总损失函数优化所述预测模型的参数，得到训练好的预测模型。
进一步地，所述训练数据获取模块还用于对所述训练数据进行增强处理，包括高斯模糊处理、或颈动脉超声图像亮度或对比度的随机改变处理、或颈动脉超声图像及其对应的人工标注的颈动脉中心点坐标在水平或竖直方向上的随机平移处理。
其中所述高斯模糊处理包括：
，
式中，为处理前的颈动脉超声图像，/>为高斯模糊处理后的颈动脉超声图像，/>为服从二元高斯分布的卷积核，/>为/>的方差，/>为/>的横坐标，/>为/>的纵坐标。
所述颈动脉超声图像亮度的随机改变处理包括：
，
式中，为处理前的颈动脉超声图像，/>为亮度的随机改变处理后的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为亮度系数，/>通过在指定范围的均匀分布中随机采样获得。
所述颈动脉超声图像对比度的随机改变处理包括：
，
，
式中，为处理前的/>的颈动脉超声图像，/>为对比度的随机改变处理后的的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为/>的均值，/>为对比度系数，/>通过在指定范围的均匀分布中随机采样获得，/>为颈动脉超声图像的宽度，/>为颈动脉超声图像的高度。
所述颈动脉超声图像及其对应的人工标注的颈动脉中心点坐标在水平或竖直方向上的随机平移处理包括：
，
，
式中，为处理前的/>的颈动脉超声图像，/>为随机平移处理后的/>的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为/>的颈动脉中心点坐标，/>为/>的颈动脉中心点坐标，/>为颈动脉中心点在水平方向上的随机平移量，/>为颈动脉中心点在垂直方向上的随机平移量，/>和/>的值分别通过在均匀分布/>和/>中随机采样获得，/>为颈动脉超声图像的宽度，/>为颈动脉超声图像的高度。
进一步地，在损失函数计算模块中，所述利用第一损失函数和第二损失函数计算总损失函数包括：
，
，
，
式中，为第一损失函数，/>为第二损失函数，/>为总损失函数，为颈动脉中心点是否真实存在的标签，/>为颈动脉超声图像中存在颈动脉中心点的概率，/>为颈动脉中心点的坐标，/>为颈动脉超声图像中颈动脉中心点坐标信息，/>为权重参数。
该装置可通过上述实施例一提供的超声颈动脉中心点坐标预测模型的训练方法实现，具体的实现方法可参见实施例一中的描述，在此不再赘述。
实施例三
本发明实施例提供了一种超声颈动脉中心点坐标的预测方法，包括：将当前采集的颈动脉超声图像输入到训练好的预测模型中，得到是否存在颈动脉中心点以及存在时颈动脉中心点坐标信息；所述训练好的预测模型为预先利用实施例一所述的训练方法训练得到的。
实施例四
本发明实施例提供了一种颈动脉横切面追踪方法，包括：根据实施例三得到的结果调整超声探头位置，使得颈动脉中心点位于当前采集的颈动脉超声图像的中心，得到颈动脉横切面。具体的，可以按照如下方式进行实施：若当前采集的颈动脉超声图像中存在颈动脉中心点的概率大于等于0.5，则按照如下方法调整超声探头位置：若颈动脉中心点的横坐标小于等于0.4，则向右移动超声探头；若颈动脉中心点的横坐标大于等于0.6，则向左移动超声探头；否则不移动超声探头，即若当前采集的颈动脉超声图像中存在颈动脉中心点的概率小于0.5，不移动超声探头；若颈动脉中心点的横坐标大于0.4同时小于0.6，不移动超声探头；超声探头移动到新位置后，继续按照上述方法调整超声探头位置，直至检查结束。即将当前采集的颈动脉超声图像输入到训练好的预测模型中得到预测结果，再按照上述方式调整超声探头的位置，使得颈动脉中心点位于当前采集的颈动脉超声图像的中心，得到颈动脉横切面，检查结束。
本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的训练方法，实施例三所述的预测方法，以及实施例四所述的追踪方法。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的训练方法，实施例三所述的预测方法，以及实施例四所述的追踪方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (13)
1.一种超声颈动脉中心点坐标预测模型的训练方法，其特征在于，包括：
获取训练数据，所述训练数据包括颈动脉超声图像及其对应的人工标注的是否存在颈动脉中心点的信息以及存在时的中心点坐标信息；
将所述训练数据输入到预测模型中，得到所述颈动脉超声图像的特征向量，并利用所述特征向量预测得到所述颈动脉超声图像中是否存在颈动脉中心点的信息，以及存在时的中心点坐标信息；
利用人工标注的是否存在颈动脉中心点的信息与预测的颈动脉中心点是否存在的信息计算第一损失函数；利用人工标注的中心点坐标信息与预测的中心点坐标信息计算第二损失函数；当预测的颈动脉超声图像中不存在颈动脉中心点时，利用第一损失函数作为总损失函数；当预测的颈动脉超声图像中存在颈动脉中心点时，利用第一损失函数和第二损失函数计算总损失函数；
通过降低总损失函数优化所述预测模型的参数，得到训练好的预测模型。
2.如权利要求1所述的超声颈动脉中心点坐标预测模型的训练方法，其特征在于，还包括：对所述训练数据进行增强处理，包括高斯模糊处理、或颈动脉超声图像亮度或对比度的随机改变处理、或颈动脉超声图像及其对应的人工标注的颈动脉中心点坐标在水平或竖直方向上的随机平移处理。
3.如权利要求2所述的超声颈动脉中心点坐标预测模型的训练方法，其特征在于，所述高斯模糊处理包括：
，
式中，为处理前的颈动脉超声图像，/>为高斯模糊处理后的颈动脉超声图像，/>为服从二元高斯分布的卷积核，/>为/>的方差，/>为/>的横坐标，/>为/>的纵坐标。
4.如权利要求2所述的超声颈动脉中心点坐标预测模型的训练方法，其特征在于，所述颈动脉超声图像亮度的随机改变处理包括：
，
式中，为处理前的颈动脉超声图像，/>为亮度的随机改变处理后的颈动脉超声图像，为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为亮度系数，/>通过在指定范围的均匀分布中随机采样获得。
5.如权利要求2所述的超声颈动脉中心点坐标预测模型的训练方法，其特征在于，所述颈动脉超声图像对比度的随机改变处理包括：
，
，
式中，为处理前的/>的颈动脉超声图像，/>为对比度的随机改变处理后的的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为/>的均值，/>为对比度系数，/>通过在指定范围的均匀分布中随机采样获得，/>为颈动脉超声图像的宽度，/>为颈动脉超声图像的高度。
6.如权利要求2所述的超声颈动脉中心点坐标预测模型的训练方法，其特征在于，所述颈动脉超声图像及其对应的人工标注的颈动脉中心点坐标在水平或竖直方向上的随机平移处理包括：
，
，
式中，为处理前的/>的颈动脉超声图像，/>为随机平移处理后的/>的颈动脉超声图像，/>为颈动脉超声图像的横坐标，/>为颈动脉超声图像的纵坐标，/>为/>的颈动脉中心点坐标，/>为/>的颈动脉中心点坐标，/>为颈动脉中心点在水平方向上的随机平移量，/>为颈动脉中心点在垂直方向上的随机平移量，/>和/>的值分别通过在均匀分布/>和/>中随机采样获得，/>为颈动脉超声图像的宽度，/>为颈动脉超声图像的高度。
7.如权利要求1所述的超声颈动脉中心点坐标预测模型的训练方法，其特征在于，所述利用第一损失函数和第二损失函数计算总损失函数包括：
，
，
，
式中，为第一损失函数，/>为第二损失函数，/>为总损失函数，/>为颈动脉中心点是否真实存在的标签，/>为颈动脉超声图像中存在颈动脉中心点的概率，/>为颈动脉中心点的坐标，/>为颈动脉超声图像中颈动脉中心点坐标信息，/>为权重参数。
8.一种超声颈动脉中心点坐标预测模型的训练装置，其特征在于，包括：
训练数据获取模块，用于获取训练数据，所述训练数据包括颈动脉超声图像及其对应的人工标注的是否存在颈动脉中心点的信息以及存在时的中心点坐标信息；
模型预测模块，用于将所述训练数据输入到预测模型中，得到所述颈动脉超声图像的特征向量，并利用所述特征向量预测得到所述颈动脉超声图像中是否存在颈动脉中心点的信息，以及存在时的中心点坐标信息；
损失函数计算模块，用于利用人工标注的是否存在颈动脉中心点的信息与预测的颈动脉中心点是否存在的信息计算第一损失函数；利用人工标注的中心点坐标信息与预测的中心点坐标信息计算第二损失函数；当预测的颈动脉超声图像中不存在颈动脉中心点时，利用第一损失函数作为总损失函数；当预测的颈动脉超声图像中存在颈动脉中心点时，利用第一损失函数和第二损失函数计算总损失函数；
模型优化模块，用于通过降低总损失函数优化所述预测模型的参数，得到训练好的预测模型。
9.一种超声颈动脉中心点坐标的预测方法，其特征在于，包括：
将当前采集的颈动脉超声图像输入到训练好的预测模型中，得到是否存在颈动脉中心点以及存在时颈动脉中心点坐标信息；
所述训练好的预测模型为预先利用如权利要求1-7任一项所述的训练方法训练得到的。
10.一种颈动脉横切面追踪方法，其特征在于，包括：
根据权利要求9得到的结果调整超声探头位置，使得颈动脉中心点位于当前采集的颈动脉超声图像的中心，得到颈动脉横切面。
11.如权利要求10所述的颈动脉横切面追踪方法，其特征在于，若当前采集的颈动脉超声图像中存在颈动脉中心点的概率大于等于0.5，则按照如下方法调整超声探头位置：
若颈动脉中心点的横坐标小于等于0.4，则向右移动超声探头；
若颈动脉中心点的横坐标大于等于0.6，则向左移动超声探头；
否则不移动超声探头。
12.一种存储器，其特征在于，存储有多条指令，所述指令用于实现如权利要求1-7任一项所述的训练方法、权利要求9所述的预测方法、以及权利要求10-11任一项所述的追踪方法。
13.一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如权利要求1-7任一项所述的训练方法、权利要求9所述的预测方法、以及权利要求10-11任一项所述的追踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310978943.0A CN116721159B (zh) | 2023-08-04 | 2023-08-04 | 超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310978943.0A CN116721159B (zh) | 2023-08-04 | 2023-08-04 | 超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116721159A true CN116721159A (zh) | 2023-09-08 |
| CN116721159B CN116721159B (zh) | 2023-11-03 |
Family
ID=87869989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310978943.0A Active CN116721159B (zh) | 2023-08-04 | 2023-08-04 | 超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116721159B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021027571A1 (zh) * | 2019-08-15 | 2021-02-18 | 腾讯科技（深圳）有限公司 | 基于人工智能的医学图像处理方法、医学设备和存储介质 |
| CN112991452A (zh) * | 2021-03-31 | 2021-06-18 | 杭州健培科技有限公司 | 基于椎体中心点的端到端椎体关键点定位测量方法及装置 |
| CN113888585A (zh) * | 2021-08-31 | 2022-01-04 | 华东师范大学 | 一种基于卷积神经网络算法的颈动脉医学超声影像血管跟踪方法及系统 |
| CN114332956A (zh) * | 2022-03-15 | 2022-04-12 | 华中农业大学 | 一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法 |
| CN114943727A (zh) * | 2022-06-24 | 2022-08-26 | 上海大学 | 基于关键点检测的颈动脉斑块回声分类方法 |
| CN114972221A (zh) * | 2022-05-13 | 2022-08-30 | 北京医准智能科技有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
| CN115035367A (zh) * | 2022-06-24 | 2022-09-09 | 微梦创科网络科技（中国）有限公司 | 图片识别方法、装置及电子设备 |
-
2023
- 2023-08-04 CN CN202310978943.0A patent/CN116721159B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021027571A1 (zh) * | 2019-08-15 | 2021-02-18 | 腾讯科技（深圳）有限公司 | 基于人工智能的医学图像处理方法、医学设备和存储介质 |
| CN112991452A (zh) * | 2021-03-31 | 2021-06-18 | 杭州健培科技有限公司 | 基于椎体中心点的端到端椎体关键点定位测量方法及装置 |
| CN113888585A (zh) * | 2021-08-31 | 2022-01-04 | 华东师范大学 | 一种基于卷积神经网络算法的颈动脉医学超声影像血管跟踪方法及系统 |
| CN114332956A (zh) * | 2022-03-15 | 2022-04-12 | 华中农业大学 | 一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法 |
| CN114972221A (zh) * | 2022-05-13 | 2022-08-30 | 北京医准智能科技有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
| CN114943727A (zh) * | 2022-06-24 | 2022-08-26 | 上海大学 | 基于关键点检测的颈动脉斑块回声分类方法 |
| CN115035367A (zh) * | 2022-06-24 | 2022-09-09 | 微梦创科网络科技（中国）有限公司 | 图片识别方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李焰宏;刘杰;王俊杰;: "基于区域特征的中心点追踪的颈动脉分割", 软件, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116721159B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689543A (zh) | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 | |
| CN112469340A (zh) | 具有用于引导式肝成像的人工神经网络的超声系统 | |
| CN109949318B (zh) | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 | |
| CN111161290A (zh) | 一种图像分割模型的构建方法、图像分割方法及系统 | |
| CN113034507A (zh) | 基于ccta影像的冠状动脉三维分割方法 | |
| CN113298830B (zh) | 一种基于自监督的急性颅内ich区域图像分割方法 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| CN114732431B (zh) | 对血管病变进行检测的计算机实现方法、装置及介质 | |
| CN113223028A (zh) | 一种基于mr和ct的多模态肝脏肿瘤分割方法 | |
| CN107767435B (zh) | 一种血管管腔结构重建方法 | |
| CN116721159B (zh) | 超声颈动脉中心点坐标预测方法及颈动脉横切面追踪方法 | |
| CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
| CN113298856A (zh) | 一种图像配准方法、装置、设备和介质 | |
| CN112950555A (zh) | 一种基于深度学习的2型糖尿病心血管病变图像分类方法 | |
| CN112508872A (zh) | 颅内血管图像预处理方法和电子设备 | |
| CN116269198A (zh) | 基于卷积神经网络的眼球旋转角测量方法及装置 | |
| CN116327299A (zh) | 一种确定微导管形态的方法、系统、电子设备及存储介质 | |
| CN114010227B (zh) | 一种右心室特征信息识别方法及装置 | |
| CN115035207A (zh) | 胎儿颅脑标准切面生成方法、装置和超声成像显示系统 | |
| Shen et al. | Expert-guided knowledge distillation for semi-supervised vessel segmentation | |
| CN113269816A (zh) | 一种分区域递进式脑图像弹性配准方法及系统 | |
| CN113648060A (zh) | 超声引导的软组织形变跟踪方法、装置、存储介质及系统 | |
| CN112581428A (zh) | 一种多模态医学图像辅助诊断方法 | |
| CN116152610B (zh) | 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 | |
| CN117036372B (zh) | 一种鲁棒性激光散斑图像血管分割系统及分割方法 |
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 |