[發明專利]一種基于圖像復原的動脈斑塊超聲圖像自監督分割方法

在審

• 申請號: 202110573463.7
• 申請日: 2021-05-25
• 公開（公告）號: CN113192062A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 周然;楊智;歐陽瀚;甘海濤;葉志偉
• 申請（專利權）人: 湖北工業大學
• 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: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 羅飛

本發明提供了一種基于圖像復原的動脈斑塊超聲圖像自監督分割方法，包括以下步驟：(1)動脈超聲圖像訓練數據集預處理，(2)訓練基于圖像復原的自監督輔助任務網絡，(3)將(2)獲得的輔助任務模型遷移至動脈斑塊超聲圖像分割任務，(4)訓練動脈斑塊超聲圖像分割卷積神經網絡，(5)利用(4)得到的模型分割動脈斑塊超聲測試圖像，并輸出結果。本發明首次公開了基于圖像復原的動脈斑塊超聲圖像自監督分割方法，實現在少量標簽樣本情況下動脈斑塊超聲圖像分割，提升動脈斑塊自動測量的準確性?？蓱糜趧用}超聲圖像輔助診斷系統，監測斑塊的生長和消退情況，對心腦血管發生預警有重要意義。

技術領域

本發明涉及屬于人工智能與醫學影像的交叉領域，尤其涉及一種基于圖像復原的動脈斑塊超聲圖像自監督分割方法。

背景技術

頸動脈斑塊的破裂導致心腦血管疾病發生的主要原因之一，對動脈斑塊負荷的自動測量對心腦血管發生預警有重要意義，動脈斑塊負荷測量需要自動分割斑塊輪廓。傳統的方法用于動脈斑塊超聲圖像分割，如：水平集、snake模型、貝葉斯模型等。這些方法往往需要預先得到一個初始輪廓，導致方法對人工經驗或者圖像質量比較敏感，限制了該類方法在臨床的應用。隨著深度學習方法的廣泛發展，許多研究都顯示，深度學習方法在自動醫學圖像分割時相比傳統的機器學習方法具有更高的準確性和更高的效率。

本申請發明人在實施本發明的過程中，發現現有技術的方法，至少存在如下技術問題：

現有用于動脈斑塊超聲圖像分割的深度學習方法都是基于有監督的學習方法，往往需要大量的有準確標簽且多樣性的樣本進行網絡模型訓練才能保證算法的準確性。但在臨床中要獲得充足具有標簽的樣本非常困難。一方面，手動勾勒血管和斑塊的輪廓的過程非常耗時和繁瑣，將增加臨床醫生相當大的工作量和工作難度；另一方面，由于超聲圖像的對比度低、噪聲大等特點，人工標記大量樣本的一致性非常依賴于觀測者的經驗，往往需要經驗豐富的專家才能完成。

發明內容

本發明提出一種基于圖像復原的動脈斑塊超聲圖像自監督分割方法，用于解決或者至少部分解決現有技術中無法在少量標簽樣本情況下實現動脈斑塊超聲圖像分割技術問題。

為了解決上述技術問題，本發明提供了一種基于圖像復原的動脈斑塊超聲圖像自監督分割方法，包括：

S1：對獲取的動脈超聲圖像訓練數據集進行預處理；

S2：對預處理后的訓練數據集中的樣本進行分塊，對每個分塊隨機翻轉變換并打亂順序，重新組合成新圖像，然后將組合成的新圖像輸入編碼-解碼網絡ED-CNN進行圖像復原，最小化ED-CNN輸出的復原后圖像與輸入的新圖像之間的誤差，訓練ED-CNN，將訓練好的ED-CNN作為輔助任務模型H(x)；

S3：將輔助任務模型H(x)遷移至動脈斑塊超聲圖像分割卷積神經網絡；

S4：訓練動脈斑塊超聲圖像分割卷積神經網絡，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)，輸出分割結果。

在一種實施方式中，步驟S1中的訓練數據集中包括N個樣本，其中N₁個為有標簽樣本和N₂個為無標簽樣本，N＝N₁+N₂，

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

在一種實施方式中，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；