一种基于无监督学习的血管斑块和血栓识别方法及系统技术方案

本发明专利技术公开了一种基于无监督学习的血管斑块和血栓识别方法及系统，涉及图像处理技术领域，该方法为：将血管超声图像输入到动静脉分割模型中，对血管超声图像进行动静脉分割，得到动静脉分割图；根据动静脉分割图，分别生成动脉掩膜和静脉掩膜；利用动脉掩膜和静脉掩膜，分别得到动脉区域图像和静脉区域图像；将动脉区域图像和静脉区域图像均输入到血管病灶定位模型中，动脉区域图像检测出的病灶即为斑块，静脉区域图像检测出的病灶即为血栓。本发明专利技术能够在超声血管扫查过程中快速准确的识别出血管病灶，具体包括斑块和血栓，显著提升模型的检测精度和泛化性，降低误检，节约超声医生的诊断时间，提高诊断效率。提高诊断效率。提高诊断效率。

【技术实现步骤摘要】
一种基于无监督学习的血管斑块和血栓识别方法及系统


[0001]本专利技术涉及图像处理
，尤其是一种基于无监督学习的血管斑块和血栓识别方法及系统。

技术介绍

[0002]血管B超用于检查是否出现动脉硬化、静脉血栓，具体如下：动脉可观察到动脉血管直径、血液流速，或者斑块长度、厚度等；静脉可观察到静脉内血栓长度、是否为漂浮血栓、静脉瓣膜功能是否完好。另外，血管B超也可以检查深部大血管，如主动脉，可以明确是否有主动脉瘤。血管B超检查的优势在于无创、无辐射，与血管造影检查相比，在进行血管造影检查时需要向受检者体内注射造影剂，属于有创性检查，而且还有辐射，对人体有一定损伤。因此，在进行体检或大规模筛查时，首选血管超声。
[0003]血管斑块通常是指动脉斑块，不同部位的动脉会形成不同的动脉粥样硬化。在所有动脉中，能危及人体生命的斑块有冠状动脉斑块、颈动脉斑块、下肢血管斑块等。出现血管斑块后，可能会导致心肌缺血、脑供血不足等一系列不良后果。此外，斑块分为较多种，如软斑块、硬斑块、扁平斑块、溃疡型斑块等，其中软斑块和溃疡型斑块脂质含量较高、形态不规则，容易在血流冲击下破裂，属于不稳定性斑块，会对人体造成较大危害。如果同时伴有高血压，在血压突然升高的情况下，会造成斑块脱落而发生远端栓塞，出现脑梗死。因此，如果发现血管有斑块应及时到医院就诊，在医生指导下及早治疗，避免发生严重的后果。
[0004]血栓是指血流在心血管系统血管内面剥落处或修补处的表面所形成的小块，由不溶性纤维蛋白、沉积的血小板、积聚的白细胞和红细胞组成。正常情况下，血液本身具有可凝固性，帮助人体在外伤、流血情况下发挥局部凝固、止血等作用，但凝血过程中若凝血
‑
抗凝机制平衡被破坏，便可导致血栓形成。一般情况下，静脉血栓是临床常见病，血栓的危害主要有以下几点：血栓阻塞血管管腔，造成远端血液回流受阻，可引起远端肢体明显肿胀、剧烈疼痛，皮肤浅层血管扩张等症状。血栓脱落会造成血管阻塞，更严重的并发症如肺栓塞、脑栓塞、心肌梗死等，更大的栓子可能会完全阻塞重要器官的供血血管，导致器官缺血、缺氧甚至病人死亡。
[0005]由于受血流速度、成分等影响，斑块常见于动脉，血栓常见于静脉，在血管超声下可以观察到动脉中斑块和静脉中血栓的大小、形状、稳定性。血管超声具有无创、无辐射、经济实惠等优势，成为筛查血管斑块和血栓的普遍手段。但是在血管超声下，血管斑块和血栓成像形状非常不规则，大小差异大，并且不同病人的个体差异大。
[0006]由于医院的血管超声设备实际采集回来的超声数据中，正常血管占据绝大多数，具有斑块和血栓的数据是非常稀少的，并且由于斑块和血栓非常不规则且边界非常不清晰，数据需要非常专业的医生去标注，并且受到医生自身专业水平的影响，数据标注的差异较大，从而导致目前的基于有监督学习的血管斑块和血栓的检测分割方法的检出率较低，误检率偏高，并且模型的泛化性较差。

技术实现思路

[0007]为了克服上述现有技术中的缺陷，本专利技术提供一种基于无监督学习的血管斑块和血栓识别方法，能够在超声血管扫查过程中快速准确的识别出血管病灶，具体包括斑块和血栓，显著提升模型的检测精度和泛化性，降低误检，节约超声医生的诊断时间，提高诊断效率。
[0008]为实现上述目的，本专利技术采用以下技术方案，包括：
[0009]一种基于无监督学习的血管斑块和血栓识别方法，包括以下步骤：
[0010]S1，读取血管超声扫查的图像帧即血管超声图像，将血管超声图像输入到动静脉分割模型中，动静脉分割模型对血管超声图像进行动静脉分割，得到动静脉分割图；
[0011]S2，根据步骤S1得到的动静脉分割图，分别生成动脉掩膜和静脉掩膜；
[0012]S3，利用步骤S2得到的动脉掩膜，提取血管超声图像中的动脉区域，得到动脉区域图像；利用步骤S2得到的静脉掩膜，提取血管超声图像中的静脉区域，得到静脉区域图像；
[0013]S4，将步骤S3得到的动脉区域图像和静脉区域图像均作为输入图像，输入到血管病灶定位模型中，血管病灶定位模型对输入图像进行病灶检测，提取得到病灶图像；
[0014]若输入图像为动脉区域图像，则血管病灶定位模型检测出的病灶即为斑块，提取得到斑块图像；若输入图像为静脉区域图像，则血管病灶定位模型检测出的病灶即为血栓，提取得到血栓图像。
[0015]优选的，所述血管病灶定位模型用于对输入图像进行病灶检测即异常检测；所述血管病灶定位模型的训练生成过程，具体如下所示：
[0016]S21，血管病灶定位模型包括编码器、标准化流模块；所述编码器用于提取图像特征；所述标准化流模块用于将图像特征从原始分布转换为标准的正态分布，使得图像中正常区域的特征位于分布中心，异常区域的特征远离分布中心；
[0017]S22，获取血管病灶定位模型训练的样本图像Xi，用于血管病灶定位模型训练的样本图像Xi为正常血管区域图像，即不含病灶的血管区域图像；
[0018]S23，将样本图像Xi即正常血管区域图像输入到血管病灶定位模型中，先利用编码器对正常血管区域图像进行特征提取，得到特征图Yi；再将特征图Yi输入到标准化流模块中，将特征图Yi从原始分布转换为标准的正态分布，得到流图Zi；
[0019]S24，假设：特征图Yi的概率密度函数为p(Yi)，流图Zi的概率密度函数为p(Zi)，特征图Yi到流图Zi的映射满足Zi＝f(Yi)；
[0020]那么，特征图Yi的概率密度函数p(Yi)为：
[0021][0022]其中，det(
·
)为计算矩阵行列式函数，为流图的导数，为特征图导数；
[0023]血管病灶定位模型的损失L为：
[0024][0025]其中，为流图的二范数。
[0026]S25，血管病灶定位模型的训练目标为：希望流图Zi满足标准的正态分布，且损失L最小化；
[0027]利用样本图像Xi对血管病灶定位模型进行训练，直至流图Zi满足标准的正态分布，且血管病灶定位模型的损失L达到设定要求，即表示血管病灶定位模型训练完成。
[0028]优选的，步骤S4中，利用血管病灶定位模型对输入图像进行病灶检测，具体方式为：
[0029]将输入图像输入到训练完成后的血管病灶定位模型中，血管病灶定位模型输出对应的流图；利用输出的流图判断输入图像中的异常区域即病灶区域，得到异常掩膜；异常掩膜中，异常区域的像素值为255，其余像素即为背景且像素值为0，异常掩膜具体如下所示：
[0030][0031]其中，thr为设定的阈值；
[0032]利用异常掩膜，将输入图像中的异常区域的像素值保持不变，将输入图像中的其余像素的像素值填充为0，提取得到输入图像中的异常图像即病灶图像。
[0033]优选的，所述血管病灶定位模型中的编码器的生成方式，具体如下所示：
[0034]S31，建立掩膜自编码器网络，掩膜自编码器网络包括编码器和解码器；所述编码器用于提取图像特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的血管斑块和血栓识别方法，其特征在于，包括以下步骤：S1，读取血管超声扫查的图像帧即血管超声图像，将血管超声图像输入到动静脉分割模型中，动静脉分割模型对血管超声图像进行动静脉分割，得到动静脉分割图；S2，根据步骤S1得到的动静脉分割图，分别生成动脉掩膜和静脉掩膜；S3，利用步骤S2得到的动脉掩膜，提取血管超声图像中的动脉区域，得到动脉区域图像；利用步骤S2得到的静脉掩膜，提取血管超声图像中的静脉区域，得到静脉区域图像；S4，将步骤S3得到的动脉区域图像和静脉区域图像均作为输入图像，输入到血管病灶定位模型中，血管病灶定位模型对输入图像进行病灶检测，提取得到病灶图像；若输入图像为动脉区域图像，则血管病灶定位模型检测出的病灶即为斑块，提取得到斑块图像；若输入图像为静脉区域图像，则血管病灶定位模型检测出的病灶即为血栓，提取得到血栓图像。2.根据权利要求1所述的一种基于无监督学习的血管斑块和血栓识别方法，其特征在于，所述血管病灶定位模型用于对输入图像进行病灶检测即异常检测；所述血管病灶定位模型的训练生成过程，具体如下所示：S21，血管病灶定位模型包括编码器、标准化流模块；所述编码器用于提取图像特征；所述标准化流模块用于将图像特征从原始分布转换为标准的正态分布，使得图像中正常区域的特征位于分布中心，异常区域的特征远离分布中心；S22，获取血管病灶定位模型训练的样本图像Xi，用于血管病灶定位模型训练的样本图像Xi为正常血管区域图像，即不含病灶的血管区域图像；S23，将样本图像Xi即正常血管区域图像输入到血管病灶定位模型中，先利用编码器对正常血管区域图像进行特征提取，得到特征图Yi；再将特征图Yi输入到标准化流模块中，将特征图Yi从原始分布转换为标准的正态分布，得到流图Zi；S24，假设：特征图Yi的概率密度函数为p(Yi)，流图Zi的概率密度函数为p(Zi)，特征图Yi到流图Zi的映射满足Zi＝f(Yi)；那么，特征图Yi的概率密度函数p(Yi)为：其中，det(
·
)为计算矩阵行列式函数，为流图的导数，为特征图导数；血管病灶定位模型的损失L为：其中，为流图的二范数；S25，血管病灶定位模型的训练目标为：希望流图Zi满足标准的正态分布，且损失L最小化；利用样本图像Xi对血管病灶定位模型进行训练，直至流图Zi满足标准的正态分布，且血管病灶定位模型的损失L达到设定要求，即表示血管病灶定位模型训练完成。3.根据权利要求2所述的一种基于无监督学习的血管斑块和血栓识别方法，其特征在
于，步骤S4中，利用血管病灶定位模型对输入图像进行病灶检测，具体方式为：将输入图像输入到训练完成后的血管病灶定位模型中，血管病灶定位模型输出对应的流图；利用输出的流图判断输入图像中的异常区域即病灶区域，得到异常掩膜；异常掩膜中，异常区域的像素值为255，其余像素即为背景且像素值为0，异常掩膜具体如下所示：其中，thr为设定的阈值；利用异常掩膜，将输入图像中的异常区域的像素值保持不变，将输入图像中的其余像素的像素值填充为0，提取得到输入图像中的异常图像即病灶图像。4.根据权利要求2所述的一种基于无监督学习的血管斑块和血栓识别方法，其特征在于，所述血管病灶定位模型中的编码器的生成方式，具体如下所示：S31，建立掩膜自编码器网络，掩膜自编码器网络包括编码器和解码器；所述编码器用于提取图像特征；所述解码器用于根据图像特征进行图像重建，得到重建图像；S32，用于掩膜自编码器网络训练的样本图像Xc为血管超声图像，对样本图像Xc进行划分，划分为若干个图像块；S33，对样本图像Xc中的部分图像块进行掩膜，将掩膜后的样本图像Xc输入到掩膜自编码器网络中，编码器对剩余的未被掩膜的图像块进行特征提取，编码器根据提取的图像特征对被掩码的部分图像块进行预测，预测得到被掩码的此部分图像块，最后得到重建图像Yc；S34，计算样本图像Xc与重建图像Yc之间的均方误差MSE：其中，n表示图像块的序号，n＝1,2,3....N，N为图像块的总数量；Xc(n)表示样本图像Xc中的第n个图像块；Yc(n)表示重建图像Yc中的第n个图像块；S35，掩膜自编码器网络的训练目标为最小化均方误差MSE；利用样本图像Xc对掩膜自编码器网络进行训练，直至掩膜自编码器网络的均方误差MSE达到设定要求，即表示掩膜自编码器网络训练完成；S36，在血管病灶定位模型中，利用训练完成后的掩膜自编码器网络中的解码器作为血管病灶定位模型中的编码器，并且在血管病灶定位模型的训练过程中不再更新编码器的权重参数。5.根据权利要求2所述的一种基于无监督学习的血管斑块和血栓识别方法，其特征在于，步骤S22中，血管病灶定位模型训练的样本图像Xi即正常血管区域图像的获取方式，具体如下所示：S221，获取正常血管的超声图像作为原始样本图像Xo，即正常的不含病灶的血管超声图像；S222，使用动静脉分割模型对原始样本图像Xo进行动静脉分割，得到动静脉分割图；S223，根据动静脉分割图生成血管掩膜，包括动脉掩膜和静脉掩膜；
S224，利用血管掩膜，提取原始样本图像Xo中的血管区域图像，包括动脉区域图像和静脉区域图像；S225，步骤S224中所提取到的动脉区域...

【专利技术属性】
技术研发人员：程栋梁，王晨，刘振，黄琦，洪洋，
申请(专利权)人：合肥合滨智能机器人有限公司，
类型：发明
国别省市：