[發(fā)明專利]基于流體速度場的超聲頸動脈斑塊分割方法有效
| 申請?zhí)枺?/td> | 202110593922.8 | 申請日： | 2021-05-28 |
| 公開（公告）號： | CN113362360B | 公開（公告）日： | 2022-08-30 |
| 發(fā)明（設(shè)計）人： | 謝江;沈華雨;張武;劉彬東 | 申請（專利權(quán)）人： | 上海大學(xué) |
| 主分類號： | G06T7/155 | 分類號： | G06T7/155;G06V10/40;G06V10/80;G06T5/00;G06T7/11;G06T7/00;G06F30/28 |
| 代理公司： | 貴州派騰知識產(chǎn)權(quán)代理有限公司 52114 | 代理人： | 唐斌 |
| 地址： | 200444*** | 國省代碼： | 上海;31 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 流體 速度 超聲 頸動脈 分割 方法 | ||
1.一種基于流體速度場的頸動脈斑塊分割方法，其特征在于包括以下步驟：
A.基于計算流體力學(xué)方法為每一張超聲圖像生成對應(yīng)的血流速度場；
B.對超聲圖像和速度場進行三通道均值標(biāo)準(zhǔn)化；
C.構(gòu)建多模態(tài)融合分割框架分割超聲圖像，具體包括：
C1.建立基于流體速度場的頸動脈斑塊分割框架，包括基于血流速度場的層次級特征融合模塊、多尺度上下文信息提取模塊和帶偏向的上采樣模塊；
層次級特征融合模塊是一個實現(xiàn)網(wǎng)絡(luò)層次級融合的特征融合模塊，它接受超聲圖像和對應(yīng)速度場作為輸入，輸出特征融合后的中間特征圖；
多尺度上下文信息提取模塊基于DeepLabV3+方法實現(xiàn)，實現(xiàn)對編碼器-解碼器結(jié)構(gòu)和空洞空間池化金字塔的結(jié)合，其中編碼器-解碼器結(jié)構(gòu)能夠通過逐步恢復(fù)空間信息來捕獲更清晰的對象邊界；空洞空間池化金字塔能夠編碼多尺度的上下文信息；
帶偏向的上采樣模塊從超聲圖像的低層次特征圖提取精細(xì)特征，以所述多尺度上下文信息提取模塊的輸出作為粗特征，并在選定的重計算點上組合拼接精細(xì)特征與粗特征來構(gòu)造逐點特征，基于逐點特征使用多層感知機來為點重新分類；
C2.對C1所述的頸動脈斑塊分割框架輸入超聲圖像和血流速度場，依次通過層次級特征融合模塊、多尺度上下文信息提取模塊和帶偏向的上采樣模塊輸出超聲圖像的斑塊分割結(jié)果。
2.根據(jù)權(quán)利要求1所述基于流體速度場的頸動脈斑塊分割方法，其特征在于：步驟A中的基于計算流體力學(xué)方法為每一張超聲圖像生成對應(yīng)的血流速度場，其具體步驟如下：
A1.基于超聲圖像中的血管壁輪廓，生成對應(yīng)的二值化血管壁輪廓圖；
A2.基于超聲圖像對應(yīng)的血流速度信息和A1所述的二值化血管壁輪廓圖，采用壓力耦合方程組的半隱式算法生成與超聲圖像對應(yīng)的血流速度場，計算時視血流為牛頓流體并令其充分發(fā)展。
3.根據(jù)權(quán)利要求2所述基于流體速度場的頸動脈斑塊分割方法，其特征在于：層次級特征融合模塊使用DenseNet模型作為特征提取器，使用神經(jīng)判別降維與混合學(xué)習(xí)的特征融合機制來實現(xiàn)層次級的特征融合；其中神經(jīng)判別降維由兩個特征圖的拼接再經(jīng)過1×1卷積實現(xiàn)，它的運算過程定義如下：
其中，F(xiàn)l為中間層l按張量排列的輸出特征圖，A為主要任務(wù)，B為輔助任務(wù)，W是每個任務(wù)要學(xué)習(xí)的矩陣變換，由2個1×1卷積實現(xiàn)；混合學(xué)習(xí)則是各層次的輸出的凸組合，針對同一模態(tài)的不同層次實現(xiàn)特征融合，它的運算過程定義如下：
其中，可學(xué)習(xí)參數(shù)α控制每層的輸出用于預(yù)測的比重，分別為四個密集塊D1-4和最后一個神經(jīng)判別降維層N4的輸出，MixtureA為主要任務(wù)A的混合學(xué)習(xí)的輸出，輔助任務(wù)的混合學(xué)習(xí)輸出MixtureB也被以同樣的方式計算。
4.根據(jù)權(quán)利要求3所述基于流體速度場的頸動脈斑塊分割方法，其特征在于：空洞空間池化金字塔中采用了空洞分離卷積來簡化計算，提升計算效率，這一過程公式如下：
其中，y是輸出的特征映射，i是空間上的某個坐標(biāo)，w標(biāo)識一個卷積濾波器，x標(biāo)識輸入特征，r表示采樣輸入信號時所用的步幅，即空洞率。
5.根據(jù)權(quán)利要求4所述基于流體速度場的頸動脈斑塊分割方法，其特征在于：選定的重計算點的選取策略為優(yōu)先選取分類概率最接近0.5的256個點，這些點位于分割結(jié)果的分類邊界即斑塊邊緣上。
6.根據(jù)權(quán)利要求1-5任一項所述基于流體速度場的頸動脈斑塊分割方法，其特征在于：在步驟B中，對超聲圖像和速度場執(zhí)行同步的隨機旋轉(zhuǎn)、翻轉(zhuǎn)和裁剪以增強數(shù)據(jù)。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于上海大學(xué)，未經(jīng)上海大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110593922.8/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
