CN117252890A - 颈动脉斑块分割方法、装置、设备及介质 - Google Patents

颈动脉斑块分割方法、装置、设备及介质 Download PDF

Info

Publication number
CN117252890A
CN117252890A CN202311301792.1A CN202311301792A CN117252890A CN 117252890 A CN117252890 A CN 117252890A CN 202311301792 A CN202311301792 A CN 202311301792A CN 117252890 A CN117252890 A CN 117252890A
Authority
CN
China
Prior art keywords
plaque
carotid
context
ultrasonic image
feature
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
Application number
CN202311301792.1A
Other languages
English (en)
Inventor
李伟
吴炳剑
王瑜
高琳
李衍志
李思源
李倩
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.)
PANZHIHUA HOSPITAL OF CHINESE TRADITIONAL AND WESTERN MEDICINE
Chengdu University of Information Technology
Original Assignee
PANZHIHUA HOSPITAL OF CHINESE TRADITIONAL AND WESTERN MEDICINE
Chengdu University of Information Technology
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 PANZHIHUA HOSPITAL OF CHINESE TRADITIONAL AND WESTERN MEDICINE, Chengdu University of Information Technology filed Critical PANZHIHUA HOSPITAL OF CHINESE TRADITIONAL AND WESTERN MEDICINE
Priority to CN202311301792.1A priority Critical patent/CN117252890A/zh
Publication of CN117252890A publication Critical patent/CN117252890A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/11—Region-based segmentation
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20084—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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了颈动脉斑块分割方法、装置、设备及介质，涉及颈动脉斑块分割领域，其技术方案要点是：将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像；其中颈动脉斑块分割模型是由特征提取器和上下文感知分类生成器构成的，特征提取器用于提取待处理超声图像的上下文语义信息，上下文感知分类生成器用于根据所述上下文语义信息和待处理超声图像的斑块特性构建不同斑块形状的分类器，基于不同斑块形状的分类器完成对斑块区域的分割。本发明提高了不同斑块形状的斑块区域的分割效果。

Description

颈动脉斑块分割方法、装置、设备及介质
技术领域
本发明涉及颈动脉斑块分割领域，更具体地说，它涉及颈动脉斑块分割方法、装置、设备及介质。
背景技术
颈动脉斑块是指在颈动脉血管壁内形成的一种异常沉积物或堆积物，主要由脂质、胆固醇、钙盐和血液中的细胞碎片组成。颈动脉斑块是颈动脉硬化的粥样斑块，是全身性动脉硬化的一种表现，形成斑块较大，管腔狭窄严重时可伴有头晕、头痛、晕厥等非特异性症状。
目前，针对颈动脉斑块的分割，大部分的现有技术是利用图像分割网络的卷积核进行卷积操作来实现，例如U-Net网络、VGG网络、ResNet网络等，这并未理解到颈动脉的超声图像的不同像素之间的相互依赖关系，这弱化了神经网络对感受野和上下文信息的利用，无法有效地提取颈动脉斑块的特征信息，进而导致了后续颈动脉斑块的分割效果较差。
发明内容
本发明的目的是提供颈动脉斑块分割方法、装置、设备及介质，本发明提出的颈动脉斑块分割模型的特征提取器能更好地理解不同像素之间的相互依赖关系，提高模型对感受野和上下文信息的利用，相应地，颈动脉斑块分割模型的上下文感知分类生成器，可以根据提取到语义信息和超声图像图像的斑块特性构建不同斑块形状的分类器，提高后续颈动脉斑块的分割效果。
本发明的上述技术目的是通过以下技术方案得以实现的：
本发明的第一方面，提供了一种颈动脉斑块分割方法，包括：
获取颈动脉的待处理超声图像
将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像；其中，所述颈动脉斑块分割模型是由特征提取器和上下文感知分类生成器构成的，所述特征提取器用于提取待处理超声图像的上下文语义信息，所述上下文感知分类生成器用于根据所述上下文语义信息和待处理超声图像的斑块特性构建不同斑块形状的分类器，基于不同斑块形状的分类器完成对斑块区域的分割。
在一种实现方案中，所述特征提取器包括特征提取网络和金字塔池化模块；其中，所述特征提取网络用于提取输入的待处理超声图像的特征图；所述金字塔池化模块用于聚合特征图不同颈动脉斑块区域的上下文语义信息。
在一种实现方案中，所述金字塔池化模块包括依次连接的池化层、递归门控卷积层、上采样层和特征融合层；
其中，所述池化层用于在特征图上使用不同尺度的池化，得到多个不同尺寸的特征图；所述递归门控卷积层用于通过门控卷积和递归设计来对多个不同尺寸的特征图进行高阶空间交互处理；所述上采样层用于将进行高阶空间交互处理的多个不同尺寸的特征图恢复到初始的尺寸；所述特征融合层用于在特征通道上对超声图像的特征图与恢复到初始的尺寸的特征图进行拼接，获得上下文语义信息。
在一种实现方案中，所述颈动脉斑块分割模型的训练包括以下步骤：
获取颈动脉的超声图像，并对所述超声图像进行数据标注处理，将标注好的超声图像按比例随机分成训练集和测试集；
利用训练集对所述颈动脉斑块分割模型进行训练，并计算所述颈动脉斑块分割模型的损失值，在所述损失值满足预定阈值时，输出训练完成的颈动脉斑块分割模型，利用测试集对训练完成的颈动脉斑块分割模型进行测试验证。
在一种实现方案中，由损失函数计算所述损失值，其中，Lce、/>和/>分别为表征原始分类器与真实标签的误差的原始损失函数、表征上下文感知分类生成器与真实标签误差的上下文感知损失函数和表征网络预测上下文分类器与真实标签误差的上下文预测损失函数，LKL表示KL散度损失函数，λKL为调节参数。
在一种实现方案中，所述原始损失函数、上下文感知损失函数和上下文预测损失函数均为二元交叉熵损失函数。
在一种实现方案中，所述KL散度损失函数的计算式为其中，h、w分别表示高和宽，n表示类别数，σ表示softmax操作，py表示上下文感知分类生成器的输出，pp表示网络预测上下文分类器的输出，Mk表示类别为k的二进制掩码，Hi为第i个像素的信息量；
其中，第i个像素的信息量的计算式为
本发明的第二方面，提供了一种颈动脉斑块分割装置，包括：
图像获取模块，用于获取颈动脉的待处理超声图像；
分割模块，用于将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像；其中，所述颈动脉斑块分割模型是由特征提取器和上下文感知分类生成器构成的，所述特征提取器用于提取待处理超声图像的上下文语义信息，所述上下文感知分类生成器用于根据所述上下文语义信息和待处理超声图像的斑块特性构建不同斑块形状的分类器，基于不同斑块形状的分类器完成对斑块区域的分割。
本发明的第三方面，提供了一种电子设备，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明的第一方面提供的颈动脉斑块分割方法。
本发明的第四方面，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上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如本发明的第一方面提供的颈动脉斑块分割方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明在金字塔池化模块中使用递归门控卷积层替代卷积操作更好地理解不同像素之间的相互依赖关系，提高模型的感受野和上下文信息的利用；
2、本发明提出上下文感知分类生成器，可根据提取到语义信息和不同图像的斑块特性构建不同斑块形状的分类器，提高分割效果；
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1示出了本发明实施例提供的颈动脉斑块分割方法的流程示意图；
图2示出了本发明实施例提供的特征提取器的结构示意图；
图3示出了本发明实施例提供的上下文感知分类生成器的结构示意图；
图4示出了本发明实施例提供的网络分割斑块的图片；
图5示出了本发明实施例提供的颈动脉斑块分割装置的原理框图；
图6示出了本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
需说明的是，可在本申请的各种实施例中使用的术语“包括”或“可包括”指示所申请的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本申请的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
目前，针对颈动脉斑块的分割，大部分的现有技术是利用图像分割网络的卷积核进行卷积操作来实现，例如U-Net网络、VGG网络、ResNet网络等，这并未理解到颈动脉的超声图像的不同像素之间的相互依赖关系，这弱化了神经网络对感受野和上下文信息的利用，无法有效地提取颈动脉斑块的特征信息，进而导致了后续颈动脉斑块的分割效果较差。
为此，本实施例提供了一种颈动脉斑块分割方法、装置、设备及介质，克服传统技术无法有效地提取颈动脉斑块的特征信息，进而导致了后续颈动脉斑块的分割效果较差的问题，本发明方法提出的颈动脉斑块分割模型的特征提取器能更好地理解不同像素之间的相互依赖关系，提高模型对感受野和上下文信息的利用，相应地，颈动脉斑块分割模型的上下文感知分类生成器，可以根据提取到语义信息和超声图像图像的斑块特性构建不同斑块形状的分类器，提高后续颈动脉斑块的分割效果。
下面将对本申请实施例提供的颈动脉斑块分割方法进行解释与说明，请参考图1，图1为本申请实施例提供的一种颈动脉斑块分割方法的流程示意图，如图1所示，方法包括以下步骤：
S101，获取颈动脉的待处理超声图像；
具体而言，利用超声技术对进行颈动脉图像采集，并将采集到的图像按照日期和采集顺序进行命名，同时创建名为Annotations、ImageSets、JPEGImages的三个文件夹；
Annotations文件夹里面存放着json格式的标签文件，ImageSets文件夹里面有train、val、test三个文件夹分别代表测试集、验证集、测试集，JPEGImages文件夹里面存放着照片数据文件。
将收集到的图片进行预处理并且用Labelme对颈动脉图像中的斑块进行标注，标注出目标的位置；标注环节具体是对采集到的颈动脉超声图片进行斑块标注，用多边形将斑块区域准确标注出来；
划分数据集：将预处理后的数据按6：2：2的比例随机分成训练集和测试集，验证集；
S102，将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像，其中，所述颈动脉斑块分割模型是由特征提取器和上下文感知分类生成器构成的，所述特征提取器用于提取待处理超声图像的上下文语义信息，所述上下文感知分类生成器用于根据所述上下文语义信息和待处理超声图像的斑块特性构建不同斑块形状的分类器，基于不同斑块形状的分类器完成对斑块区域的分割。
所述特征提取器包括特征提取网络和金字塔池化模块；其中，所述特征提取网络用于提取输入的待处理超声图像的特征图；所述金字塔池化模块用于聚合特征图不同颈动脉斑块区域的上下文语义信息。
具体而言，特征提取网络用来提取图片中的高维特征信息即特征图，经常使用的网络是VGG、ResNet等。本实施例的特征提取网络采用ResNet网络，从超声图像中提取丰富的信息特征，ResNet全称是DeepResidual Network，也就是深度残差网络，ResNet通过使用残差连接解决了梯度消失和梯度爆炸问题，可以更好的从超声图像中提取丰富的信息特征。
在一个实施例，所述金字塔池化模块包括依次连接的池化层、递归门控卷积层、上采样层和特征融合层；其中，所述池化层用于在特征图上使用不同尺度的池化，得到多个不同尺寸的特征图；所述递归门控卷积层用于通过门控卷积和递归设计来对多个不同尺寸的特征图进行高阶空间交互处理；所述上采样层用于将进行高阶空间交互处理的多个不同尺寸的特征图恢复到初始的尺寸；所述特征融合层用于在特征通道上对超声图像的特征图与恢复到初始的尺寸的特征图进行拼接，获得上下文语义信息。
具体而言，如图2所示，金字塔池化模块包括池化层Pool、递归门控卷积层gnconv、上采样层Upsample、特征融合层concat结构，其中Pool结构是池化操作，在特征图上使用不同尺度的池化，得到多个不同尺寸的特征图；gnconv通过门控卷积和递归设计来执行高阶空间交互；Upsample结构为上采样操作，让特征图恢复原有的尺寸；concat结构在特征通道上拼接特征图，达到融合的效果。
本实施例中，请参考图3，图3示出了本发明实施例提供的上下文感知分类生成器的结构示意图，如图3所示，output输出了三种斑块形状的分割图片，而相应地，针对特征提取器Feature extractor，输出的带有上下文语义信息的特征图，结合上下文感知分类生成器classifier generator对不同的带有上下文语义信息的特征图进行分类器的生成，可以得出不同斑块形状对应的分类器classifier1、classifier2、classifier3，基于classifier1、classifier2、classifier3完成对不同斑块形状的区域分割，从而避免一些较小的斑块无法被分割出来，以此来提升对较小斑块的分割效果。
对训练集和测试集数据进行数据增强，并利用训练集进行训练，用损失函数来评判模型预测的优劣，最后用测试集对训练好的颈动脉斑块分割模型进行测试验证。
在一个实施例中，所述颈动脉斑块分割模型的训练包括以下步骤：
获取颈动脉的超声图像，并对所述超声图像进行数据标注处理，将标注好的超声图像按比例随机分成训练集和测试集；
利用训练集对所述颈动脉斑块分割模型进行训练，并计算所述颈动脉斑块分割模型的损失值，在所述损失值满足预定阈值时，输出训练完成的颈动脉斑块分割模型，利用测试集对训练完成的颈动脉斑块分割模型进行测试验证。
具体而言，由损失函数计算所述损失值，其中，Lce、/>和/>分别为表征原始分类器与真实标签的误差的原始损失函数、表征上下文感知分类生成器与真实标签误差的上下文感知损失函数和表征网络预测上下文分类器与真实标签误差的上下文预测损失函数，LKL表示KL散度损失函数，λKL为调节参数。
具体而言，所述原始损失函数、上下文感知损失函数和上下文预测损失函数均为二元交叉熵损失函数。二元交叉熵损失函数的计算式为：
其中，LC是二元交叉熵损失，x表示样本，y表示标签，a表示预测的输出，n表示样本总量
具体而言，所述KL散度损失函数的计算式为其中，h、w分别表示高和宽，n表示类别数，σ表示softmax操作，py表示上下文感知分类生成器的输出，pp表示网络预测上下文分类器的输出，Mk表示类别为k的二进制掩码，Hi为第i个像素的信息量；其中，第i个像素的信息量的计算式为/>
可以理解的是，上述对于分割模型的训练过程是本领域技术人员的公知技术，故此，本实施例只做简要概述，不对分割模型的超参数的设置、训练次数的设定、损失阈值的大小等一些基本调试参数做详细说明。
数据增强方法为随机裁剪、随机翻转、光度失真、归一化处理，其输入为二维超声图像，输出为斑块分割后的二值化图像。本实施例提供的数据增强方法中采用了光度失真，增加训练图像的多样性，使模型对从不同焦距获取的图像具有更强的鲁棒性。
如图4所示，图4示出了本发明实施例提供的网络分割斑块的图片，将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像。
本发明还提供了一种颈动脉斑块分割装置，该装置可用于执行本发明上述任一项实施例所述的颈动脉斑块分割方法。
请参阅图5，图5示出了本发明实施例提供的颈动脉斑块分割装置的原理框图，装置包括：
图像获取模块510，用于获取颈动脉的待处理超声图像；
分割模块520，用于将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像；其中，所述颈动脉斑块分割模型是由特征提取器和上下文感知分类生成器构成的，所述特征提取器用于提取待处理超声图像的上下文语义信息，所述上下文感知分类生成器用于根据所述上下文语义信息和待处理超声图像的斑块特性构建不同斑块形状的分类器，基于不同斑块形状的分类器完成对斑块区域的分割。
可见，本实施例提供的颈动脉斑块分割装置，所提出的颈动脉斑块分割模型的特征提取器能更好地理解不同像素之间的相互依赖关系，提高模型对感受野和上下文信息的利用，相应地，颈动脉斑块分割模型的上下文感知分类生成器，可以根据提取到语义信息和超声图像图像的斑块特性构建不同斑块形状的分类器，提高后续颈动脉斑块的分割效果。
本发明再一个实施例中，还提供了一种电子设备，请参考图6，图6示出了本申请实施例提供的一种电子设备的结构示意图。其中，电子设备600包括处理器610、存储器620、通信接口4630和至少一个用于连接处理器610、存储器620、通信接口630的通信总线。存储器620包括但不限于是随机存储记忆体(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(PROM)或便携式只读存储器(CD-ROM)，该存储器620用于相关指令及数据。
通信接口630用于接收和发送数据。处理器610可以是一个或多个CPU，在处理器610是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。电子设备600中的处理器610用于读取存储器620中存储的一个或多个程序621，执行以下操作：获取颈动脉的待处理超声图像；将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像；其中，所述颈动脉斑块分割模型是由特征提取器和上下文感知分类生成器构成的，所述特征提取器用于提取待处理超声图像的上下文语义信息，所述上下文感知分类生成器用于根据所述上下文语义信息和待处理超声图像的斑块特性构建不同斑块形状的分类器，基于不同斑块形状的分类器完成对斑块区域的分割。
需要说明的是，各个操作的具体实现可以上述图1所示的方法实施例的相应描述，电子设备600可以用于执行本申请上述方法实施例的颈动脉斑块分割方法，在此不再具体赘述。
本发明再一个实施例中，本发明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是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关颈动脉斑块分割方法的相应步骤。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种颈动脉斑块分割方法，其特征在于，包括：
获取颈动脉的待处理超声图像；
将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像；其中，所述颈动脉斑块分割模型是由特征提取器和上下文感知分类生成器构成的，所述特征提取器用于提取待处理超声图像的上下文语义信息，所述上下文感知分类生成器用于根据所述上下文语义信息和待处理超声图像的斑块特性构建不同斑块形状的分类器，基于不同斑块形状的分类器完成对斑块区域的分割。
2.根据权利要求1所述的颈动脉斑块分割方法，其特征在于，所述特征提取器包括特征提取网络和金字塔池化模块；其中，所述特征提取网络用于提取输入的待处理超声图像的特征图；所述金字塔池化模块用于聚合特征图不同颈动脉斑块区域的上下文语义信息。
3.根据权利要求2所述的颈动脉斑块分割方法，其特征在于，所述金字塔池化模块包括依次连接的池化层、递归门控卷积层、上采样层和特征融合层；
其中，所述池化层用于在特征图上使用不同尺度的池化，得到多个不同尺寸的特征图；所述递归门控卷积层用于通过门控卷积和递归设计来对多个不同尺寸的特征图进行高阶空间交互处理；所述上采样层用于将进行高阶空间交互处理的多个不同尺寸的特征图恢复到初始的尺寸；所述特征融合层用于在特征通道上对超声图像的特征图与恢复到初始的尺寸的特征图进行拼接，获得上下文语义信息。
4.根据权利要求1所述的颈动脉斑块分割方法，其特征在于，所述颈动脉斑块分割模型的训练包括以下步骤：
获取颈动脉的超声图像，并对所述超声图像进行数据标注处理，将标注好的超声图像按比例随机分成训练集和测试集；
利用训练集对所述颈动脉斑块分割模型进行训练，并计算所述颈动脉斑块分割模型的损失值，在所述损失值满足预定阈值时，输出训练完成的颈动脉斑块分割模型，利用测试集对训练完成的颈动脉斑块分割模型进行测试验证。
5.根据权利要求4所述的颈动脉斑块分割方法，其特征在于，由损失函数计算所述损失值，其中，/>和/>分别为表征原始分类器与真实标签的误差的原始损失函数、表征上下文感知分类生成器与真实标签误差的上下文感知损失函数和表征网络预测上下文分类器与真实标签误差的上下文预测损失函数，LKL表示KL散度损失函数，λKL为调节参数。
6.根据权利要求5所述的颈动脉斑块分割方法，其特征在于，所述原始损失函数、上下文感知损失函数和上下文预测损失函数均为二元交叉熵损失函数。
7.根据权利要求5所述的颈动脉斑块分割方法，其特征在于，所述KL散度损失函数的计算式为其中，h、w分别表示高和宽，n表示类别数，σ表示softmax操作，py表示上下文感知分类生成器的输出，pp表示网络预测上下文分类器的输出，Mk表示类别为k的二进制掩码，Hi为第i个像素的信息量；
其中，第i个像素的信息量的计算式为
8.一种颈动脉斑块分割装置，其特征在于，包括：
图像获取模块，用于获取颈动脉的待处理超声图像；
分割模块，用于将待处理超声图像输入至预先训练好的颈动脉斑块分割模型，输出分割出斑块区域的颈动脉超声图像；其中，所述颈动脉斑块分割模型是由特征提取器和上下文感知分类生成器构成的，所述特征提取器用于提取待处理超声图像的上下文语义信息，所述上下文感知分类生成器用于根据所述上下文语义信息和待处理超声图像的斑块特性构建不同斑块形状的分类器，基于不同斑块形状的分类器完成对斑块区域的分割。
9.一种电子设备，包含存储器、处理器及存储在存储器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程序时实现如权利要求1至7中任意一项所述的颈动脉斑块分割方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的颈动脉斑块分割方法。
CN202311301792.1A 2023-10-09 2023-10-09 颈动脉斑块分割方法、装置、设备及介质 Pending CN117252890A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311301792.1A CN117252890A (zh) 2023-10-09 2023-10-09 颈动脉斑块分割方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311301792.1A CN117252890A (zh) 2023-10-09 2023-10-09 颈动脉斑块分割方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117252890A true CN117252890A (zh) 2023-12-19

Family

ID=89126101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311301792.1A Pending CN117252890A (zh) 2023-10-09 2023-10-09 颈动脉斑块分割方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117252890A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496563A (zh) * 2024-01-03 2024-02-02 脉得智能科技(无锡)有限公司 颈动脉斑块易损性分级方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496563A (zh) * 2024-01-03 2024-02-02 脉得智能科技(无锡)有限公司 颈动脉斑块易损性分级方法、装置、电子设备及存储介质
CN117496563B (zh) * 2024-01-03 2024-03-19 脉得智能科技(无锡)有限公司 颈动脉斑块易损性分级方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
CN113822209B (zh) 高光谱图像识别方法、装置、电子设备及可读存储介质
Xu et al. Denoising convolutional neural network
CN114170167B (zh) 基于注意力引导上下文校正的息肉分割方法和计算机设备
CN117252890A (zh) 颈动脉斑块分割方法、装置、设备及介质
CN112001931A (zh) 图像分割方法、装置、设备及存储介质
CN112348830B (zh) 基于改进3D U-Net的多器官分割方法
US20230153965A1 (en) Image processing method and related device
CN115439470B (zh) 息肉图像分割方法、计算机可读存储介质及计算机设备
CN115631112B (zh) 一种基于深度学习的建筑轮廓矫正方法及装置
CN110633640A (zh) 优化PointNet对于复杂场景的识别方法
CN113361537A (zh) 基于通道注意力的图像语义分割方法及装置
CN116912268A (zh) 一种皮肤病变图像分割方法、装置、设备及存储介质
CN115393868B (zh) 文本检测方法、装置、电子设备和存储介质
CN113496228B (zh) 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法
CN113554655B (zh) 基于多特征增强的光学遥感图像分割方法及装置
CN113344827B (zh) 一种图像去噪方法、图像去噪网络运算单元及设备
CN115565034A (zh) 基于双流增强网络的红外小目标检测方法
CN110852102B (zh) 一种中文的词性标注方法、装置、存储介质及电子设备
CN113744158A (zh) 图像生成方法、装置、电子设备和存储介质
CN114399681A (zh) 电力能源设备识别方法、装置和终端设备
Knoche et al. Susceptibility to image resolution in face recognition and trainings strategies
Li et al. Human detection via image denoising for 5G-enabled intelligent applications
Stephen et al. Depth-wise based convolutional neural network for street imagery digit number classification
CN114119971A (zh) 一种语义分割方法、系统和电子设备

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