基于深度学习的血管内超声图像弹性重建方法及设备、介质

本发明涉及医疗图像处理，特别涉及基于深度学习的血管内超声图像弹性重建方法及设备、介质。

背景技术：

1、血管内超声弹性成像(ivuse)技术是在血管内超声基上结合生物组织力学判断动脉粥样硬化斑块稳定性的一种新手段，利用血管自身的搏动产生腔内压差，通过分析压缩前后的超声图像获取血管和斑块的应变，及通过测得的位移场求解血管和斑块的弹性模量分布，从而反应血管及其内部的弹性模量差异，表征血管的弹性。

2、目前，超声弹性重建技术多采用有限元迭代法求解弹性模量分布。有限元迭代法是通过建立血管的有限元模型，在血管弹性模量重建的迭代过程中，利用血管边界的先验知识，如利用边界弹性模量相等的假设，来对迭代过程的结果进行校正，从而保证迭代收敛到正确的结果。

3、但是这种方法的准确度依赖于有限元模型的构建，且将在迭代优化的过程中消耗大量时间。因此，本发明使用深度学习模型替代有限元方法实现动脉血管弹性模量重建，得到更快的重建速度与更准确的弹性模量计算结果。

技术实现思路

1、为了实现本发明的上述目的和其他优点，本发明的第一目的是提供基于深度学习的血管内超声图像弹性重建方法，包括以下步骤：

2、通过有限元模拟血管建立数据集，得到初始弹性模量分布；

3、将所述初始弹性模量分布作为神经网络模型的输入，得到预测位移场；

4、通过所述预测位移场和实际测得位移场计算损失函数，以优化模型参数；

5、将弹性模量分布作为待求解变量，计算实际测得位移场与所述预测位移场差异的目标函数；

6、判断所述目标函数是否收敛；

7、若所述目标函数收敛，则获得弹性模量分布；

8、若所述目标函数不收敛，则计算新的弹性模量分布并进行弹性模量分布迭代，直至所述目标函数收敛，获得最新的弹性模量分布。

9、进一步地，所述通过有限元模拟血管建立数据集包括以下步骤：

10、建立血管几何模型；

11、设置所述血管几何模型的初始弹性模量分布；

12、建立血管边界条件；

13、模拟心动周期血压对血管施加不同压力，获得施加高低压血管组织的位移场。

14、进一步地，所述血管几何模型包括内膜层、中膜层、外膜层。

15、进一步地，所述设置所述血管几何模型的初始弹性模量分布包括以下步骤：

16、设置所述血管几何模型的中膜层及外膜层组织的弹性模量；

17、设置内膜层与中膜层之间不同性质斑块的弹性模量；

18、根据组织材料以及材料泊松比，对每张血管内超声图像每个元素设置其初始弹性模量分布。

19、进一步地，所述建立血管边界条件包括：

20、以血管内表面为应力边界，施加模拟人体真实血压大小的应力绝对值，以血管外表面为固定边界。

21、进一步地，所述模拟心动周期血压对血管施加不同压力包括：

22、模拟人体心动周期的高低压，对所述血管几何模型施加低血压和高血压下压力。

23、进一步地，所述损失函数为混合损失函数，所述混合损失函数包括二元交叉熵损失函数和dice损失函数，所述混合损失函数表达式如下：

24、loss＝λ1lbce(yn,yn′)+λ2ldice(yn,yn′)，

25、所述二元交叉熵损失函数表达式如下：

26、

27、所述dice损失函数表达式如下：

28、

29、其中，yn表示真实值，y′n表示模型实际输出值，λ1,λ2为比例系数，n表示样本数量，o表示平滑系数。

30、进一步地，所述目标函数的计算公式为：

31、f(ek(x,y))＝||ue(x,y)-uc(x,y)||，

32、ek+1(x,y)＝ek(x,y)+δek，

33、其中，ek(x,y)为弹性模量分布，ue(x,y)为实际测得位移场，uc(x,y)为预测位移场，ek+1(x,y)为新的弹性模量分布，δek为弹性模量分布变化量。

34、本发明的第二目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述存储器联接，并且当所述程序代码被所述处理器执行时，实现上述的方法。

35、本发明的第三目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现上述的方法。

36、与现有技术相比，本发明实施例的有益效果是：

37、本发明提供基于深度学习的血管内超声图像弹性重建方法及设备、介质，使用深度学习模型替代有限元方法实现动脉血管弹性模量重建，得到更快的重建速度与更准确的弹性模量计算结果，能够为反演实时性提供保证；采用深度学习方法，由于输入信息带有噪声，故训练好的模型进行的是带有噪声数据的输入到输出的学习，因此该方法也能自动学习对于噪声的处理。

38、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

技术特征：

1.基于深度学习的血管内超声图像弹性重建方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于深度学习的血管内超声图像弹性重建方法，其特征在于：所述通过有限元模拟血管建立数据集包括以下步骤：

3.如权利要求2所述的基于深度学习的血管内超声图像弹性重建方法，其特征在于：所述血管几何模型包括内膜层、中膜层、外膜层。

4.如权利要求3所述的基于深度学习的血管内超声图像弹性重建方法，其特征在于：所述设置所述血管几何模型的初始弹性模量分布包括以下步骤：

5.如权利要求3所述的基于深度学习的血管内超声图像弹性重建方法，其特征在于：所述建立血管边界条件包括：

6.如权利要求5所述的基于深度学习的血管内超声图像弹性重建方法，其特征在于：所述模拟心动周期血压对血管施加不同压力包括：

7.如权利要求1所述的基于深度学习的血管内超声图像弹性重建方法，其特征在于：所述损失函数为混合损失函数，所述混合损失函数包括二元交叉熵损失函数和dice损失函数，所述混合损失函数表达式如下：

8.如权利要求1所述的基于深度学习的血管内超声图像弹性重建方法，其特征在于：所述目标函数的计算公式为：

9.一种电子设备，其特征在于，包括：存储器，其上存储有程序代码；处理器，其与所述存储器联接，并且当所述程序代码被所述处理器执行时，实现如权利要求1～8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被执行时实现如权利要求1～8任一项所述的方法。

技术总结本发明提供基于深度学习的血管内超声图像弹性重建方法及设备、介质，通过有限元模拟血管建立数据集；将初始弹性模量分布作为神经网络模型的输入，得到预测位移场；通过预测位移场和实际测得位移场计算损失函数，以优化模型参数；计算实际位移场与预测位移场差异的目标函数；若目标函数不收敛，则进行弹性模量分布迭代，直至目标函数收敛，获得最新的弹性模量分布。本发明使用深度学习模型替代有限元方法实现动脉血管弹性模量重建，得到更快的重建速度与更准确的弹性模量计算结果，能为反演实时性提供保证；采用深度学习方法，由于输入信息带有噪声，故训练好的模型进行的是带有噪声数据的输入到输出的学习，因此该方法能自动学习对于噪声的处理。技术研发人员：吕甜甜,李昕泽,索尔太,郭运博,李俊博受保护的技术使用者：中国科学院苏州生物医学工程技术研究所技术研发日：技术公布日：2024/7/29