[發(fā)明專利]一種基于圖像復(fù)原的動(dòng)脈斑塊超聲圖像自監(jiān)督分割方法

在審

• 申請?zhí)枺?/td>: 202110573463.7
• 申請日: 2021-05-25
• 公開（公告）號: CN113192062A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計(jì)）人: 周然;楊智;歐陽瀚;甘海濤;葉志偉
• 申請（專利權(quán)）人: 湖北工業(yè)大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/12;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 羅飛

1.一種基于圖像復(fù)原的動(dòng)脈斑塊超聲圖像自監(jiān)督分割方法，其特征在于，包括：

S1：對獲取的動(dòng)脈超聲圖像訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理；

S2：對預(yù)處理后的訓(xùn)練數(shù)據(jù)集中的樣本進(jìn)行分塊，對每個(gè)分塊隨機(jī)翻轉(zhuǎn)變換并打亂順序，重新組合成新圖像，然后將組合成的新圖像輸入編碼-解碼網(wǎng)絡(luò)ED-CNN進(jìn)行圖像復(fù)原，最小化ED-CNN輸出的復(fù)原后圖像與輸入的新圖像之間的誤差，訓(xùn)練ED-CNN，將訓(xùn)練好的ED-CNN作為輔助任務(wù)模型H(x)；

S3：將輔助任務(wù)模型H(x)遷移至動(dòng)脈斑塊超聲圖像分割卷積神經(jīng)網(wǎng)絡(luò)；

S4：訓(xùn)練動(dòng)脈斑塊超聲圖像分割卷積神經(jīng)網(wǎng)絡(luò)，建立斑塊分割模型G(x)；

S5：將待分割圖像輸入所述斑塊分割模型G(x)，輸出分割結(jié)果。

2.如權(quán)利要求1所述的動(dòng)脈斑塊超聲圖像自監(jiān)督分割方法，其特征在于，步驟S1中的訓(xùn)練數(shù)據(jù)集中包括N個(gè)樣本，其中N₁個(gè)為有標(biāo)簽樣本和N₂個(gè)為無標(biāo)簽樣本，N＝N₁+N₂，

S1的預(yù)處理包括圖像尺寸歸一化和灰度歸一化，具體包括：將所述訓(xùn)練數(shù)據(jù)集中所有樣本，通過圖像縮放歸一化到同一尺寸，灰度范圍歸一化為[0，1]。

3.如權(quán)利要求1所述的動(dòng)脈斑塊超聲圖像自監(jiān)督分割方法，其特征在于，步驟S2中新圖像的獲得過程包括：

通過分塊操作將原圖像I等分為n×n塊，I＝[I₁，I₂，…，I_n×n]，每一塊圖像I_i的尺寸為(w/n，h/n)，其中w和h為圖像I的長和寬；

將分塊后的圖像進(jìn)行隨機(jī)翻轉(zhuǎn)變換，其中，隨機(jī)翻轉(zhuǎn)變換包括隨機(jī)上下翻轉(zhuǎn)和隨機(jī)左右翻轉(zhuǎn)，隨機(jī)翻轉(zhuǎn)后的圖像塊為[I′₁，I′₂，…，I′_n×n]；

重新組合成新的圖像為I′＝[I′_i，…，I′_n×n，…，I′_j]，其中，I′_i，…，I′_n×n，…，I′_j為隨機(jī)亂序。

4.如權(quán)利要1所述的動(dòng)脈斑塊超聲圖像自監(jiān)督分割方法，其特征在于，步驟S2中的編碼-解碼網(wǎng)絡(luò)U-Net網(wǎng)絡(luò)為基礎(chǔ)，包括編碼器和解碼器兩部分，編碼器包括5個(gè)卷積池化模塊，每個(gè)卷積池化模塊包括兩個(gè)堆疊的3×3卷積層和2×2最大值池化層，解碼器包括4個(gè)反卷積模塊，每個(gè)反卷積模塊包括一個(gè)2×2的反卷積層、一個(gè)特征連接操作和兩個(gè)堆疊的3×3卷積層，解碼器的最后一層為線性卷積層；

其中，在最小化ED-CNN輸出的復(fù)原后圖像與輸入的新圖像之間的誤差時(shí)，使用cosine損失函數(shù)作為誤差度量：

L＝1-sim(I，H(I′))

sim(u，v)為cosine相似度量函數(shù)，I為原始圖像，即輸入的新圖像，H(I′)是ED-CNN輸出的復(fù)原后圖像，u和v表示要進(jìn)行相似度計(jì)算的兩個(gè)圖像向量。

5.如權(quán)利要1所述的動(dòng)脈斑塊超聲圖像自監(jiān)督分割方法，其特征在于，步驟S3中的動(dòng)脈斑塊超聲圖像分割卷積神經(jīng)網(wǎng)絡(luò)與步驟S2中H(x)模型具有相同的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)數(shù)量，采用全部參數(shù)遷移并微調(diào)的策略，將步驟S2中的輔助任務(wù)模型作為分割網(wǎng)絡(luò)的初始化模型。

6.如權(quán)利要2所述的動(dòng)脈斑塊超聲圖像自監(jiān)督分割方法，其特征在于，步驟S4中輸入為預(yù)處理后的N₁個(gè)有標(biāo)簽樣本。