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】
本专利技术涉及生物医学和计算机视觉,尤其涉及一种基于神经网络的心脏流出道壁剪切力的实时测量方法。
技术介绍
1、壁剪切力是流动物体与接触面产生的剪切应力。在胚胎发育早期,心脏的生长和形态变化与生物力学环境密切相关。在血管中,血流会在血管壁上产生机械刺激,特别是壁剪切力(wss),即作用在内皮细胞表面的摩擦力,并且当血液流经心血管系统时,这种力的大小和方向与血流速度的变化有关。wss可以诱导内皮细胞的形态和功能改变,从而调节心脏发育。由于心脏流出道(oft)在心脏发育早期连接脑室和动脉系统,许多先天性心脏病与心脏发育过程中oft的异常变化有关。这些异常可能导致心脏瓣膜和主要血管的发育缺陷,如主动脉错位等,因此测量oft的wss对于先天性心脏病的研究具有重要意义。
2、为了探索胚胎发育,常使用动物模型,因为它们的胚胎心脏发育的早期阶段与人类相似。在oft中实时测量wss可以捕捉到动物胚胎心脏跳动期间产生的实时反馈信息的价值。这是研究人员准确把握胚胎心脏血流动力学环境变化、有效开展实验的重要要求。然而,由于早期胚胎心脏的尺寸小和心跳快速,现有技术难以准确和实时地测量oft中的wss。光学相干层析成像(oct)拥有超高的空间和时间分辨率,作为一种非侵入性的实时成像技术已经成熟。光谱域oct(sd-oct)可以实现高速、高信噪比成像、对样品结构和流速信息的实时监测,非常适合动物胚胎成像。使用oct计算wss需要获得oft的绝对血流速度,但是目前wss的测量都是基于后处理的,仍未实现实时测量。然而,wss测量需要根据oft结构进
3、随着深度学习技术在医学成像领域的广泛应用,基于卷积神经网络(cnn)的分割方法可用于自动提取成像范围内的任意目标区域。这些深度学习技术的发展使得心脏oft中wss的实时测量成为可能,特别是在自动提取血流区域的关键步骤。然而,由于oft周围结构的高度复杂性和显著的个体特异性,基于深度学习的传统分割技术的直接迁移使用可能会导致目标丢失等问题。
4、基于以上的难点问题,如何使用深度学习的方法来实时测量心脏流出道的壁剪切力,需要进行进一步的研究。
技术实现思路
1、为至少一定程度上解决现有技术中存在的技术问题之一,本专利技术的目的在于提出一种基于神经网络的心脏流出道壁剪切力的实时测量方法。
2、本专利技术所采用的技术方案是:一种基于神经网络的心脏流出道壁剪切力的实时测量方法,具体如下:
3、使用搭建的sd-oct成像系统采集图像,获取结构图和流速图;
4、在sd-oct成像系统中将探头臂安装在有刻度的分度头上,通过分度头旋转改变探头光束的入射角记录多普勒角;
5、alsegnet网络用于提取结构图中心脏流出道的流动区域;流速图结合提取的流动区域,通过层流模型流速梯度以及三维旋转矫正算法计算心脏流出道壁剪切力。
6、所述alsegnet网络包括cnn骨干网络、空洞空间金字塔池化-挤压和激励模块、解码器、分类与框回归子网络、非极大值抑制模块nms以及概率依赖注意力模块pdam;
7、alsegnet网络的输入为结构图,通过cnn骨干网络作为编码器提取特征,得到的特征图输入至空洞空间金字塔池化-挤压和激励模块,得到多尺度的特征图,将多尺度特征图输入至解码器;所述解码器的特征层分为三部分,第一部分特征层得到的特征图输入至分类与框回归子网络,得到的边界框输入至非极大值抑制模块模块得到心脏流出道边界框;解码器第二部分特征层得到的特征图经过上采样后与心脏流出道边界框一同输入至概率依赖注意力模块,概率依赖注意力模块得到的特征图输入至解码器第三部分特征层输出得到提取的流动区域。
8、所述cnn骨干网络包括五层编码层;解码器包括3个上采样残差块urb1-3、深层特征层、1×1卷积层和sigmoid激活函数;编码器得到的最深层特征输入至空洞空间金字塔池化-挤压和激励模块,空洞空间金字塔池化-挤压和激励模块输出的特征图与编码器第4个特征层输出l4在通道维度上拼接特征后,作为解码器的第五特征层;解码器第五特征层使用步长为2的3×3卷积生成解码器深层特征层;解码器第五特征层输入至第一上采样残差块urb1,urb1输出特征与编码器第3特征层输出l3通道维度拼接特征,记为解码器第四特征层;解码器第四特征层输入至第二上采样残差块urb2,urb2输出特征与编码器第2特征层输出l2通道维度拼接特征,记为解码器第三特征层;解码器第三特征层输入至第3上采样残差块urb3,urb3输出特征与编码器第1特征层输出l1通道维度拼接特征,记为解码器第二特征层;
9、将解码器深层特征层、解码器第五特征层以及解码器第四特征层输入至分类与框回归子网络,分类与框回归子网络的输出进行合并一同输入至非极大值抑制模块,生成心脏流出道边界框;
10、心脏流出道边界框作为概率依赖注意力模块的第一输入分支,解码器第三特征层以及解码器第二特征层通过上采样后作为概率依赖注意力模块的第二输入分支,两个输入分支同时输入至概率依赖注意力模块中,输出特征记为解码器第一特征层;解码器第一特征层最终经过1×1卷积以及sigmoid激活后得到提取的流速区域。
11、所述概率依赖注意力模块第一输入分支使用高斯函数的叠加,得到二维oft概率分布函数;所述二维oft概率分布函数是基于点到心脏流出道边界框中心点的距离,二维oft概率分布函数依据:
12、
13、
14、f=normalize(ftarget+fbackward)
15、其中,‖·‖表示欧几里得距离,p1表示心脏流出道边界框内的点;p2表示背景区域内、心脏流出道边界框外的点;d表示心脏流出道边界框的顶点,c表示心脏流出道边界框的中心点;α和β是用于调整注意力程度的常数;总概率分布函数f对ftarget和fbackward进行归一化,α<β;
16、概率依赖注意力模块第二输入分支被分流为两个卷积分支;第一卷积分支使用1×1卷积层并与二维oft概率分布逐点相乘,第二卷积分支使用若干个3×3卷积层提取特征;第一卷积分支与第二卷积分支得到的特征图在通道维度拼接特征后得到概率依赖注意力模块的输出。
17、所述3个上采样残差块urb1-3为相同的结构,首先对输入上采样后执行两次3×3卷积、批标准化和relu激活得到主特征层,其次对输入上采样后的结果使用1×1卷积层作为残差连接与主特征层逐点相加得到输出。
18、所述空洞空间金字塔池化-挤压和激励模块aspp-se对输入特征图使用n层扩张率为6n的空洞卷积层并联;空洞卷积层包括批标准化和relu函数激活;同时对输入特征图进行特征提取,每层所提取的特征通过concatenate过程之后,使用具有相同通道的1×1卷积进行特征整合,生成的特征图记为中间特征图;对中本文档来自技高网...
【技术保护点】
1.一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,具体如下:
2.根据权利要求1所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述ALSegNet网络包括CNN骨干网络、空洞空间金字塔池化-挤压和激励模块、解码器、分类与框回归子网络、非极大值抑制模块NMS以及概率依赖注意力模块PDAM;
3.根据权利要求2所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述CNN骨干网络包括五层编码层;解码器包括3个上采样残差块URB1-3、深层特征层、1×1卷积层和sigmoid激活函数;编码器得到的最深层特征输入至空洞空间金字塔池化-挤压和激励模块,空洞空间金字塔池化-挤压和激励模块输出的特征图与编码器第4个特征层输出L4在通道维度上拼接特征后,作为解码器的第五特征层;解码器第五特征层使用步长为2的3×3卷积生成解码器深层特征层;解码器第五特征层输入至第一上采样残差块URB1,URB1输出特征与编码器第3特征层输出L3通道维度拼接特征,记为解码器第四特征层;解码器第四特征层输入至第二上采样残差块URB2,
4.根据权利要求3所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述概率依赖注意力模块第一输入分支使用高斯函数的叠加,得到二维OFT概率分布函数;所述二维OFT概率分布函数是基于点到心脏流出道边界框中心点的距离,二维OFT概率分布函数依据:
5.根据权利要求4所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述3个上采样残差块URB1-3为相同的结构,首先对输入上采样后执行两次3×3卷积、批标准化和Relu激活得到主特征层,其次对输入上采样后的结果使用1×1卷积层作为残差连接与主特征层逐点相加得到输出。
6.根据权利要求5所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述空洞空间金字塔池化-挤压和激励模块ASPP-SE对输入特征图使用n层扩张率为6n的空洞卷积层并联;空洞卷积层包括批标准化和Relu函数激活;同时对输入特征图进行特征提取,每层所提取的特征通过Concatenate过程之后,使用具有相同通道的1×1卷积进行特征整合,生成的特征图记为中间特征图;对中间特征图进行全局平均池化,输入至两个全连接层,第一全连接层的激活函数使用Relu,第二全连接层的激活函数使用sigmoid;执行完两个全连接过程后得到的特征向量结合中间特征图重新分配权重。
7.根据权利要求6所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述ALSegNet网络进行心脏流出道定位和像素级语义分割,ALSegNet网络训练使用三种不同类型损失函数:分割损失Lseg、回归损失Lbox以及分类损失Lcls;
8.根据权利要求1-8任一所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述心脏流出道壁剪切力计算如下:
...【技术特征摘要】
1.一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,具体如下:
2.根据权利要求1所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述alsegnet网络包括cnn骨干网络、空洞空间金字塔池化-挤压和激励模块、解码器、分类与框回归子网络、非极大值抑制模块nms以及概率依赖注意力模块pdam;
3.根据权利要求2所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述cnn骨干网络包括五层编码层;解码器包括3个上采样残差块urb1-3、深层特征层、1×1卷积层和sigmoid激活函数;编码器得到的最深层特征输入至空洞空间金字塔池化-挤压和激励模块,空洞空间金字塔池化-挤压和激励模块输出的特征图与编码器第4个特征层输出l4在通道维度上拼接特征后,作为解码器的第五特征层;解码器第五特征层使用步长为2的3×3卷积生成解码器深层特征层;解码器第五特征层输入至第一上采样残差块urb1,urb1输出特征与编码器第3特征层输出l3通道维度拼接特征,记为解码器第四特征层;解码器第四特征层输入至第二上采样残差块urb2,urb2输出特征与编码器第2特征层输出l2通道维度拼接特征,记为解码器第三特征层;解码器第三特征层输入至第3上采样残差块urb3,urb3输出特征与编码器第1特征层输出l1通道维度拼接特征,记为解码器第二特征层;
4.根据权利要求3所述的一种基于神经网络的心脏流出道壁剪切力的实时测量方法,其特征在于,所述概率依赖注意力模块第一输入分支使用高斯函数的叠加,得到二维oft概率分布函数;所述...
【专利技术属性】
技术研发人员:马振鹤,宋佰航,赵玉倩,王毅,刘健,栾景民,杨艳秋,
申请(专利权)人:东北大学秦皇岛分校,
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。