一种血管内超声多类斑块分割方法、系统、设备及介质

本发明属于图像处理，涉及一种血管内超声多类斑块分割方法、系统、设备及介质。

背景技术：

1、冠状动脉疾病是全球范围内最常见的疾病之一，其主要原因是动脉硬化引起的血管狭窄或阻塞。血管斑块的类型和分布是评估疾病严重性和决定治疗方案的关键因素。传统的诊断方法包括冠状动脉造影和血管内超声(ivus)，但这些方法往往依赖高度专业的操作和解释，且具有一定的侵入性。近年来，随着医学影像技术和计算机视觉的飞速发展，基于图像的自动斑块识别和分割技术成为了研究热点。尤其是在血管内超声(ivus)图像分析领域，利用先进的图像处理和机器学习技术，可以更精准地识别和分类血管内的斑块类型，这对于临床诊断和治疗具有重要意义。斑块随着发展的阶段可以划分为软斑块、纤维斑块、钙化斑块，此外还有性质复杂难以区分的混合斑块。准确识别出斑块的类型，可以有效的辅助医生进行诊断以及医疗策略选择。然而，现有的技术中仍存在一些不足之处。首先，由于血管内超声图像的特殊性，图像常常受到噪声和伪影的干扰，使得斑块的自动识别和分割变得复杂困难。此外，传统的分割方法通常依赖于手工设计的特征提取技术，这不仅耗时且效率低下，而且往往缺乏对不同斑块类型之间细微差异的敏感性，分割的准确性较差。

2、另外，基于ivus图像划分出斑块并分析该斑块性质，进而指定治疗策略已被确认为一种有效的冠脉疾病诊断方法。但人工对血管内超声图像进行斑块分割效率低下，且误操作率高。随着计算机的发展，sonka等人[sonka m,zhang x,siebes m,etal.segmentation of intravascular ultrasound images:a knowledge-based approach[j].ieee transactions on medical imaging,1995,14(4):719-732.]设计了基于图像特征和先验知识的分割方法，但这种基于特征的方法严重依赖于特征提取，缺乏泛用性。而另一些基于活动轮廓法的方法[shekhar r,cothren r m,vince d g,et al.three-dimensional segmentation of luminal and adventitial borders in serialintravascular ultrasound images[j].computerized medical imaging and graphics,1999,23(6):299-309.]尽管表现出了不错的效果，但是它们对初始值有着严格的要求，难以满足自动化需要。随着深度学习的发展，开始出现一系列基于深度学习的分割方法，尤其是在u-net[ronneberger o,fischer p,brox t.u-net:convolutional networks forbiomedical image segmentation[c]//medical image computing and computer-assisted intervention–miccai 2015:18th international conference,munich,germany,october 5-9,2015,proceedings,part iii 18.springer internationalpublishing,2015:234-241.]提出后，yang等人提出的ivus-net[yang j,tong l,farajim,et al.ivus-net:an intravascular ultrasound segmentation network[c]//smartmultimedia:first international conference,icsm 2018,toulon,france,august 24–26,2018,revised selected papers 1.springer international publishing,2018:367-377.]，xia等人提出的mfau-net[xia m,yan w,huang y,et al.extracting membraneborders in ivus images using a multi-scale feature aggregated u-net[c]//202042nd annual international conference of the ieee engineering in medicine&biology society(embc).ieee,2020:1650-1653.]都在u-net的基础上做出了一定的改进，但是这些方法几乎都不是面向斑块分割设计。huang等人新提出的stru-net[huang x,bajaj r,li y,et al.post-ivus:a perceptual organisation-aware selectivetransformer framework for intravascular ultrasound segmentation[j].medicalimage analysis,2023,89:102922.]结合了selective transformer来对ivus中的斑块进行分割，但是却依旧不能区分斑块的类型，因此，对ivus图像进行多类斑块分割仍然是一个难题。

技术实现思路

1、本发明的目的在于克服上述现有技术的缺点，提供了一种血管内超声多类斑块分割方法、系统、设备及介质，该方法、系统、设备及介质能够对同一帧图像中不同类型的斑块进行分割。

2、为达到上述目的，本发明采用如下技术方案：

3、本发明一方面，本发明提供了一种血管内超声多类斑块分割方法，包括：

4、获取待分割的多帧ivus图像；

5、将所述待分割的多帧ivus图像输入到优化后的多帧融合特征分割网络中，得到各帧的分割图像，其中，所述多帧融合特征分割网络中的多帧特征融合编码器使用无监督的对比学习方法进行优化。

6、本发明所述血管内超声多类斑块分割方法进一步的改进在于：

7、所述将所述待分割的多帧ivus图像输入到优化后的多帧融合特征分割网络中之前还包括：

8、构建多帧融合特征分割网络；

9、构建数据集，将所述数据集分为训练集及测试集；

10、基于训练集及测试集，对所述多帧融合特征分割网络进行优化。

11、所述多帧融合特征分割网络包括相连接的多帧特征融合编码器以及特征解码器。

12、所述基于训练集及测试集，对所述多帧融合特征分割网络进行优化的过程为：

13、基于训练集及测试集，使用无监督的对比学习方法对多帧特征融合编码器进行优化；

14、基于训练集及测试集，以分割图像与标注图像的dice相似系数作为损失函数，对特征解码器进行优化。

15、所述多帧特征融合编码器包括一个特征融合模块、两个参考特征提取器以及一个主特征提取器，其中，一个参考特征提取器用于从前序帧中提取前序参考特征fb，另一个参考特征提取器用于从后序帧中提取后序参考特征fa，所述主特征提取器用于提取主特征f，特征融合模块用于将所述主特征f、前序参考特征fb及后序参考特征fa，使用transformer中的qkv机制映射为对应的qkv，然后两两组合计算得到最后的融合特征f′。

16、所述主特征提取器包括u-net的默认编码器，其中，所述u-net的默认编码器中的每一层上均设有双重特征注意力模块。

17、本发明二方面，本发明提供了一种血管内超声多类斑块分割系统，包括：

18、获取模块，用于获取待分割的多帧ivus图像；

19、分割模块，用于将所述待分割的多帧ivus图像输入到优化后的多帧融合特征分割网络中，得到各帧的分割图像，其中，所述多帧融合特征分割网络中的多帧特征融合编码器使用无监督的对比学习方法进行优化。

20、本发明所述血管内超声多类斑块分割系统进一步的改进在于：

21、还包括：

22、第一构建模块，用于构建多帧融合特征分割网络；

23、第二构建模块，用于构建数据集，将所述数据集分为训练集及测试集；

24、优化模块，用于基于训练集及测试集，对所述多帧融合特征分割网络进行优化。

25、本发明三方面，本发明提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述血管内超声多类斑块分割方法的步骤。

26、本发明四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述血管内超声多类斑块分割方法的步骤。

27、本发明具有以下有益效果：

28、本发明所述的血管内超声多类斑块分割方法、系统、设备及介质在具体操作时，将所述待分割的多帧ivus图像输入到优化后的多帧融合特征分割网络中，得到各帧的分割图像，其中，所述多帧融合特征分割网络中的多帧特征融合编码器使用无监督的对比学习方法进行优化，可以有效增强网络对不同类型斑块的辨识能力，实现对同一帧图像中不同类型斑块的分割，实用性极强。