一种基于深度学习的超声图像斑块分割方法、系统及设备

本发明涉及图像处理，尤其是涉及一种基于深度学习的超声图像斑块分割方法、系统及设备。

背景技术：

1、脑卒中又称中风，是全球范围内致死的重要原因。2019年全球疾病负担研究的相关数据表明，卒中仍然是世界上第二大死亡原因，也是第三大残疾合并死亡原因。三分之一的脑卒中患者有偏瘫、肢体麻木、语言障碍等后遗症，对患者生活质量产生严重影响。动脉粥样硬化斑块是中风的常见原因。颈动脉是人体最容易发生动脉粥样硬化斑块的区域。

2、医学影像技术在颈动脉粥样硬化的检测中发挥了重要作用，它能直接测量和描述颈动脉斑块的特性，并清晰地展示斑块内部的特征。颈动脉超声成像能清楚地展示血管内中膜的厚度、斑块的位置和大小以及血管的狭窄程度。此外，通过观察斑块内部回声的变化，医生可以了解斑块内部的特性，并评估斑块的易损性。并且超声成像具有安全性高、实时性好、无创伤等优点，因此是目前颈动脉斑块诊断的主要手段。

3、在超声成像的基础上，要准确地诊断和评估颈动脉粥样硬化斑块的病变程度，前提是对颈动脉斑块进行定位和分割。临床研究中人工分割斑块费时费力，且分割的准确性易受医师主观性影响，分割结果受限于医师的工作经验，不具有可重复性。因此，采用计算机辅助分割颈动脉斑块具有重要意义。传统的分割方法存在自动化程度低、分割准确率较低、对噪声敏感等问题，因此进行颈动脉斑块的自动、准确分割是当前研究中需要解决的问题。本发明针对此难点问题，提出颈动脉超声斑块分割的优化算法，并进行斑块分割系统设计。

4、经过检索，中国发明专利公开号cn117058170a公开了一种基于双分支多尺度交叉融合网络的颈动脉斑块分割方法，该方法包括：将获取的颈动脉超声图像的数据集划分为训练集、验证集和测试集；构建由编码器，双分支解码器，交叉注意力特征融合模块，多尺度特征融合模块组成的集成分割网络，并定义其损失函数；通过训练集的分割数据对集成网络进行训练；将测试集的分割数据输入到训练好的集成网络中，得到测试集数据对应的预测分割结果。该现有专利存在分割准确率不高的问题。

5、如何实现颈动脉超声图像斑块的自动准确分割，成为需要解决的技术问题。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的超声图像斑块分割方法、系统及设备。

2、本发明的目的可以通过以下技术方案来实现：

3、根据本发明的一个方面，提供了一种基于深度学习的超声图像斑块分割方法，该方法包括以下步骤：

4、步骤s1，对颈动脉超声图像进行数据预处理；

5、步骤s2，基于预处理后的颈动脉超声图像划分训练集、验证集和测试集，并进行增强处理；

6、步骤s3，构建并训练斑块分割网络模型，所述斑块分割网络模型的结构以unet为基准架构，包括改进注意力机制模块、空洞空间卷积池化金字塔模块空洞空间卷积池化金字塔模块以及改进解码路径中每层输出结果流向的改进多尺度解码模块；所述改进注意力机制模块用于提取斑块空间和通道特征，并准确定位斑块位置信息；

7、步骤s4，利用训练后的斑块分割网络模型对测试集的颈动脉超声图像进行分割。

8、优选地，所述的数据预处理包括：

9、11)将获取到的颈动脉超声图像去掉医师标记；

10、12)将去掉标记后的颈动脉超声图像进行裁剪；

11、13)对剪裁后的颈动脉超声图像进行斑块边界绘制，然后标签二值化。

12、优选地，所述改进注意力机制为coord注意力机制。

13、更加优选地，所述改进注意力机制模块位于unet编码结构的卷积之后，以及最大池化之前，将斑块的位置信息嵌入到通道注意力，实现空间和通道的双重注意力，具体为：

14、coord注意力分别使用池化核(h,1)和(1,w)来编码水平方向和垂直方向特征，输出一对方向可知的特征图，即第c维通道特征的h维和w维输出分别为：

15、hc＝avgpoolh,1(xc)

16、wc＝avgpool1,w(xc)

17、其中，hc表示第c个通道的h维输出，wc表示第c个通道的w维输出，xc表示第c维的输入，avgpoolh,1和avgpool1,w分别表示水平和垂直方向的池化操作；

18、然后将一对特征图进行concatenate操作，再使用卷积变换函数对其进行变换操作：

19、f＝conv1,1(concat(hc,wc))

20、其中，f为输出，hc表示第c个通道的h维输出，wc表示第c个通道的w维输出，concat代表通道拼接，conv1,1代表1x1的卷积操作；

21、coord注意力模块的输出y可以表达为:

22、y＝σ(fθx)

23、其中，σ表示非线性激活函数，θ表示逐元素相乘，x为输入特征，f为上层输出特征，y为注意力模块的最终输出。

24、优选地，所述空洞空间卷积池化金字塔模块位于unet的瓶颈结构，利用不同的采样率来捕捉不同尺度的高维斑块信息。

25、优选地，所述改进多尺度解码模块位于unet的解码区域，用于改进解码路径中每层输出结果的流向，层输出特征不仅通过上采样与上层编码特征进行拼接，而且通过转置卷积还原到输出尺寸，最后将不同解码层的还原结果进行通道拼接，进入1×1卷积层，将特征图缩减为单通道并进行像素级分类判别；

26、改进多尺度解码模块用下式表示：

27、md(f)＝cat(transconv(fi))

28、其中：fi为不同解码层的特征，transconv为上采样操作；cat为对特征图进行通道拼接，md为改进多尺度解码模块的输出。

29、优选地，所述训练斑块分割网络模型采用二分类交叉熵损失函数作为训练过程的损失函数，选择rmsprop梯度下降法作为优化器对模型的参数进行更新。

30、优选地，所述增强处理仅对训练集进行增强。

31、根据本发明的另一个方面，提供了一种基于深度学习的超声图像斑块分割系统，该系统包括数据预处理模块、数据增强处理模块以及斑块分割模块；

32、所述数据预处理模块，用于对颈动脉超声图片进行预处理，包括去除医生标记、进行图片裁剪和将标签二值化；

33、所述数据增强处理模块，用于对颈动脉超声图片进行数据增强处理；

34、所述斑块分割模块，用于运用基于特征增强的斑块分割网络模型进行颈动脉超声图片的斑块分割。

35、根据本发明的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。

36、与现有技术相比，本发明具有以下有益效果：

37、1)本发明方法可有效避免颈动脉斑块的分割易受噪声、伪影、肌肉组织等的影响，增强了分割网络模型对斑块特征的提取和重建性能，即使用coord注意力提取斑块空间和通道特征，准确定位斑块位置信息；使用aspp中的空洞卷积提取多尺度斑块特征；构建改进解码路径中每层输出结果流向的改进多尺度解码模块，以提升斑块特征重建性能，使得分割得到的斑块边界更加连续细致；从而准确分割斑块边界。

38、2)本发明方法简单易行，通用性强，很大程度上减少人工操作，实现自动分割，适于推广使用。

39、3)本发明训练好的斑块分割网络模型集成到斑块分割系统中，利于临床操作使用。