System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据处理分析,尤其涉及一种生物组织参数推理方法、系统、终端及计算机可读存储介质。
技术介绍
1、在现有的生物组织中,以骨骼肌为例,骨骼肌的主要结构参数有羽状角,肌肉长度和肌肉厚度,计算这些结构参数的方法主要有边缘检测算法、阈值分割和hough(霍夫)变换等图像处理方法以及基于深度学习的方法。
2、边缘检测算法和阈值分割方法虽然计算效率高且易于实现,但它们对噪声和光照条件敏感,缺乏对复杂背景的适应性。hough变换适用于简单几何形状的检测,但在计算上较为繁重,对复杂形状的适应性有限。而基于深度学习的方法虽然在特征提取方面表现强大,但依赖于大量的标记数据和显著的计算资源,且其黑盒的特性限制了解释性。这些方法主要针对每一帧超声图像的中骨骼肌结构性参数计算的准确性,但是骨骼肌在超声图像下只显示了它的其中一部分,所以在对骨骼肌的结构参数计算时会出现数值不连续的情况,导致生物组织参数推理精度下降。
3、因此,现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种生物组织参数推理方法、系统、终端及计算机可读存储介质,旨在解决现有技术中在计算生物组织的结构参数时,未考虑到帧与帧之间在时间维度上的相关性,生成的图像在时间变化上不够平滑,导致生物组织参数推理精度下降的问题。
2、为实现上述目的,本专利技术提供一种生物组织参数推理方法,所述一种生物组织参数推理方法包括如下步骤:
3、采集生物组织的超声图像,为所述生物
4、根据所述数据集对生成式对抗网络模型进行训练,并计算第一总损失函数,当所述第一总损失函数达到第一收敛条件时,计算得到第一变化梯度和第二变化梯度;
5、根据所述第一变化梯度和所述第二变化梯度计算得到外源损失函数,将所述外源损失函数加入到所述第一总损失函数中,得到第二总损失函数,继续训练所述生成式对抗网络模型,直至所述第二总损失函数达到第二收敛条件时,得到目标网络模型;
6、选定目标生物组织,采集所述目标生物组织的目标超声图像,将所述目标超声图像输入到所述目标网络模型中,输出所述目标生物组织的结构参数。
7、采集生物组织的超声图像,为所述生物组织的超声图像制作标签得到标签图像,将所述超声图像和所述标签图像作为数据集;
8、根据所述数据集对生成式对抗网络模型进行训练,并计算第一总损失函数,当所述第一总损失函数达到第一收敛条件时,计算得到第一变化梯度和第二变化梯度;
9、根据所述第一变化梯度和所述第二变化梯度计算得到外源损失函数,将所述外源损失函数加入到所述第一总损失函数中,得到第二总损失函数,继续训练所述生成式对抗网络模型,直至所述第二总损失函数达到第二收敛条件时,得到目标网络模型;
10、选定目标生物组织,采集所述目标生物组织的待处理超声图像,将所述待处理超声图像输入到所述目标网络模型中,输出所述目标生物组织的目标超声图像,根据所述目标超声图像得到在时间维度上平滑的目标生物组织参数。
11、可选地,所述的生物组织参数推理方法,其中,所述为所述生物组织的超声图像制作标签得到标签图像,将所述超声图像和所述标签图像作为数据集,具体包括:
12、为若干个所述生物组织的超声图像绘制标签,得到若干个所述生物组织的超声图像对应的标签图像;
13、分别将每个所述生物组织的超声图像和应的标签图像合并,得到若干对图像,将若干对图像作为数据集。
14、将所述数据集按照预设比例划分为训练集和测试集,所述训练集用于训练所述生成式对抗网络模型,所述测试集用于检测所述生成式对抗网络模型预测结果的正确率。
15、可选地,所述的生物组织参数推理方法,其中,所述生成式对抗网络模型包括生成器网络和判别器网络;
16、其中,所述生成器网络由跳跃连接的unet网络构成,所述判别器网络由patchgan网络构成。
17、可选地,所述的生物组织参数推理方法,其中,所述根据所述数据集对生成式对抗网络模型进行训练,并计算第一总损失函数,具体包括:
18、从所述数据集中随机选取成对的图像,将成对的图像中的所述超声图像作为输入图像,所述标签图像作为真实图像,将所述超声图像输入到所述生成式对抗网络模型中进行计算,得到由所述生成器网络产生的生成图像,和由所述判别器网络产生的输出图像;
19、根据所述输入图像、所述真实图像、所述生成图像和所述输出图像计算对抗性损失函数和l1损失函数:
20、
21、其中,表示对抗性损失函数,g表示生成器网络,d表示判别器网络,x表示输入图像,y表示输出图像,z表示随机噪声,d(·)表示概率,e表示对于所述概率的期望;
22、
23、其中,表示l1损失函数,||·||1表示l1范数;
24、使用预先训练好的特征提取网络作为特征提取器,将所述生成图像和所述真实图像分别输入到所述特征提取网络中计算特征损失函数:
25、
26、其中,lperceptual(g)表示特征损失函数,φ表示所述特征提取网络,g(xi)表示所述生成图像,yi表示所述真实图像,||·||2表示平方欧几里得距离,n表示数据集中样本的数量。
27、将所述对抗性损失函数、所述l1损失函数和所述特征损失函数融合,得到所述第一总损失函数:
28、
29、其中,λ,μ,v分别是不同损失函数的权重。
30、可选地,所述的生物组织参数推理方法,其中,所述当所述第一总损失函数达到第一收敛条件时,计算得到第一变化梯度和第二变化梯度,具体包括:
31、当所述第一总损失函数达到预设的第一收敛条件时,计算得到生物组织参数在连续帧内的第一变化梯度;
32、获取所述生物组织在对应时间序列上的外源信号,计算得到所述外源信号在连续帧内的第二变化梯度。
33、可选地,所述的生物组织参数推理方法,其中,所述根据所述第一变化梯度和所述第二变化梯度计算得到外源损失函数,将所述外源损失函数加入到所述第一总损失函数中,得到第二总损失函数,具体包括:
34、所述根据所述第一变化梯度和所述第二变化梯度计算得到外源损失函数:les=δθ-δd;
35、其中,les表示外源损失函数,δθ表示所述第一变化梯度,δd表示所述第二变化梯度;
36、将所述外源损失函数加入到所述第一总损失函数中,得到第二总损失函数:
37、可选地,所述的生物组织参数推理方法,其中,所述继续训练所述生成式对抗网络模型,直至所述第二总损失函数达到第二收敛条件时,得到目标网络模型,具体包括:
38、继续训练所述生成式对抗网络模型,并计算所述第二总损失函数;
39、若所述第二总损失函数达到第本文档来自技高网...
【技术保护点】
1.一种生物组织参数推理方法,其特征在于,所述的生物组织参数推理方法包括:
2.根据权利要求1所述的生物组织参数推理方法,其特征在于,所述为所述生物组织的超声图像制作标签得到标签图像,将所述超声图像和所述标签图像作为数据集,具体包括:
3.根据权利要求2所述的生物组织参数推理方法,其特征在于,所述生成式对抗网络模型包括生成器网络和判别器网络;
4.根据权利要求3所述的生物组织参数推理方法,其特征在于,所述根据所述数据集对生成式对抗网络模型进行训练,并计算第一总损失函数,具体包括:
5.根据权利要求4所述的生物组织参数推理方法,其特征在于,所述当所述第一总损失函数达到第一收敛条件时,计算得到第一变化梯度和第二变化梯度,具体包括:
6.根据权利要求5所述的生物组织参数推理方法,其特征在于,所述根据所述第一变化梯度和所述第二变化梯度计算得到外源损失函数,将所述外源损失函数加入到所述第一总损失函数中,得到第二总损失函数,具体包括:
7.根据权利要求6所述的生物组织参数推理方法,其特征在于,所述继续训练所述生成式对抗网
8.一种生物组织参数推理系统,其特征在于,所述生物组织参数推理系统包括:
9.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的生物组织参数推理程序,所述生物组织参数推理程序被所述处理器执行时实现如权利要求1-7任一项所述的生物组织参数推理方法的步骤。
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存储有生物组织参数推理程序,所述生物组织参数推理程序被处理器执行时实现如权利要求1-7任一项所述的生物组织参数推理方法的步骤。
...【技术特征摘要】
1.一种生物组织参数推理方法,其特征在于,所述的生物组织参数推理方法包括:
2.根据权利要求1所述的生物组织参数推理方法,其特征在于,所述为所述生物组织的超声图像制作标签得到标签图像,将所述超声图像和所述标签图像作为数据集,具体包括:
3.根据权利要求2所述的生物组织参数推理方法,其特征在于,所述生成式对抗网络模型包括生成器网络和判别器网络;
4.根据权利要求3所述的生物组织参数推理方法,其特征在于,所述根据所述数据集对生成式对抗网络模型进行训练,并计算第一总损失函数,具体包括:
5.根据权利要求4所述的生物组织参数推理方法,其特征在于,所述当所述第一总损失函数达到第一收敛条件时,计算得到第一变化梯度和第二变化梯度,具体包括:
6.根据权利要求5所述的生物组织参数推理方法,其特征在于,所述根据所述第一变化梯度和所述第二变化梯度计算...
【专利技术属性】
技术研发人员:周永进,查斌,林勇生,陈浩鑫,王鲸锷,
申请(专利权)人:深圳大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。