[發明專利]一種基于超聲成像構建三維心臟模型的方法

有效

• 申請號: 201911069586.6
• 申請日: 2019-11-05
• 公開（公告）號: CN110807829B
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 張東海;王寧
• 申請（專利權）人: 杭州蔡卓醫療設備有限公司
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06T7/13;G06T7/11;G06T5/00;G06N3/08;G06N3/04
• 代理公司: 上海宏京知識產權代理事務所(普通合伙) 31297
• 代理人: 李倩倩

1.一種基于超聲成像構建三維心臟模型的方法，其特征在于：包括如下步驟：

S1、超聲圖像預處理：導入心臟超聲圖像數據集，對數據集進行特征點重標定處理，然后分離心臟各個部位的數據集，針對每個數據集進行去除超聲斑紋噪聲處理；

S2、圖像分割和邊緣輪廓特征提取；

S3、心臟模型三維重建：采用PTAM算法進行心臟各部位的三維建模，然后將構建的單個心臟部位模型進行合成處理，構建完整的心臟三維模型；

S4、三維心臟模型的可視化；

在步驟S1中，所述數據集分為左心房數據集、左心室數據集、右心房數據集、右心室數據集、竇房結數據集、房室結數據集、主動脈數據集、肺動脈數據集、肺靜脈數據集、上下腔靜脈數據集；

在步驟S2中，采用全卷積神經網絡學習算法進行心臟超聲圖像的分割和邊緣輪廓特征提取，具體步驟為：

S21、全卷積：將心臟超聲圖像進行卷積和池化處理，卷積過程使用16層的VGGNet結構，VGGNet有8個卷積段，前5個段有2到3個卷積層，每個段以最大池化層結束，用于壓縮圖像大小；后3段將傳統的全連接層轉化為卷積層；

其中，全卷積神經網絡模型參數設置為：前5段卷積核尺寸為3*3，卷積步長設定為一個像素，窗口尺寸為2*2，步長設定為2個像素，后3段卷積核尺寸為1*1，卷積步長設定為一個像素，每段卷積層內的卷積核數量相同，具體設置為：64、64、128、128、256、256、256、512、512、512、512、512、512、4096、4096、1000；

S22、反卷積：輸入的心臟超聲圖像經過卷積與池化操作后，圖像大小不斷減小，其分辨率也逐漸變低；反卷積過程需要鏡像16層VGGNet，將從網絡中提取的特征圖恢復到原始圖像的大小和位置，并進行像素分類，直接輸出圖像分割的結果；

S23、訓練迭代過程：采用跳躍結構進行迭代訓練，將不同池化層的結果進行反卷積，疊加多層圖像采樣數據來補充圖像特征細節，用以優化最終輸出的心臟超聲圖像分割結果，完成邊緣特征提取；

所述步驟S23的訓練迭代過程，采用反向傳播鏈式求導法則，通過最小化損失函數對權值進行更新，得到全卷積神經網絡最優的權值參數，用以優化分割結果，算法如下：

S231、設置損失函數：

其中，n為總的樣本數量；X_i和分別代表屬于和不屬于目標區域的樣本i的像素的集合；表示屬于目標區域的像素網絡模型輸出值的集合；表示不屬于目標區域的像素網絡模型輸出值集合；c_k表示第k個像素相對于屬于目標區域的概率；F_k表示第k個像素對應目標區域的數量；

S232、設定全卷積神經網絡訓練過程，訓練卷積核的權值Z和偏置b，每次的更新和迭代都按照如下過程進行：

其中，Z_m,h表示某一層的第m個神經元到相鄰層第h個神經元的連接參數，δ是學習率，b是偏置量，E(Z,b)代表代價函數；

S2321、前向傳播過程：

隱含層輸入：

輸出層輸入：

輸出層輸出：

S2322、反向求導過程：

S2323、更新Z，b：

S2324、重復步驟S2321到S2323，當損失函數E在誤差允許的范圍之內停止操作，獲得最優權值參數。

2.根據權利要求1所述的一種基于超聲成像構建三維心臟模型的方法，其特征在于：在步驟S3中，所述心臟模型三維重建具體步驟為先進行心臟超聲圖像特征點的檢測和匹配；Track過程進行圖像特征追蹤，通過不斷將新的關鍵幀中的特征點加入到初始化空間模型中，構建心臟的三維模型。