颈动脉斑块分割方法技术

本发明专利技术公开了颈动脉斑块分割方法

【技术实现步骤摘要】
颈动脉斑块分割方法、装置、设备及介质


[0001]本专利技术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
。

技术介绍

[0002]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
。
[0003]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
。

技术实现思路

[0004]本专利技术的目的是提供颈动脉斑块分割方法
、
装置
、
设备及介质，本专利技术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
。
[0005]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0006]本专利技术的第一方面，提供了一种颈动脉斑块分割方法，包括：
[0007]获取颈动脉的待处理超声图像
[0008]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
。
[0009]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
。
[0010]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；
[0011]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
。
[0012]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：
[0013]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；
[0014]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
。
[0015]在一种实现方案中，由损失函数计算所述损失值，其中，
L
ce
、
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，
L
KL
表示
KL
散度损失函数，
λ
KL
为调节参数
。
[0016]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
。
[0017]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，
p
y
表示上下文感知分类生成器的输出，
p
p
表示网络预测上下文分类器的输出，
M
k
表示类别为
k
的二进制掩码，
H
i
为第
i
个像素的信息量；
[0018]其中，第
i
个像素的信息量的计算式为
[0019]本专利技术的第二方面，提供了一种颈动脉斑块分割装置，包括：
[0020]图像获取模块，用于获取颈动脉的待处理超声图像；
[0021]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
。
[0022]本专利技术的第三方面，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专利技术的第一方面提供的颈动脉斑块分割方法
。
[0023]本专利技术的第四方面，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，实现如本专利技术的第一方面提供的颈动脉斑块分割方法
。
[0024]与现有技术相比，本专利技术具有以下有益效果：
[0025]1、
本专利技术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；
[0026]2、
本专利技术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
[0027]此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本申请的一部分，并不构成对本专利技术实施例的限定
。
在附图中：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，
L...

【专利技术属性】
技术研发人员：李伟，吴炳剑，王瑜，高琳，李衍志，李思源，李倩，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：