欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202410605818X
申请人: 合肥的卢深视科技有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种无造影剂心肌梗死图像分割方法,其特征在于,包括以下步骤,S1、收集钆造影剂增强前后的心肌梗死核磁共振图像对数据集,包括图像和分割标签,将数据集划分为训练集和测试集,并对训练数据进行数据处理;

S2、构建时空双流网络分别提取输入图像即钆造影剂增强前的图像序列的时间特征信息和空间特征信息,并将这些信息传递给主解码器;

S3、构建主解码器模块,主解码器模块融合时空双流网络传递的时间特征信息和空间特征信息进行训练;

S4、加入鉴别器模块评估数据的分割质量,并将其反馈给编码器和主解码器模块,从而促使产生越来越精确的分割;

S5、利用收集到的训练样本对包含时空双流网络、解码器模块和鉴别器模块的分割模型进行训练,并用测试样本进行测试选取最优的网络参数,形成最终的心肌梗死分割模型;

S6、应用时,将没有钆造影剂增强的心肌梗死核磁共振图像序列输至上述最终的心肌梗死分割模型中,经计算输出心肌梗死分割图像;

所述步骤S2包括:

S21、构建时间编码器和空间编码器模块:时间编码器和空间编码器分别由不同的网络结构组成,输入相同的钆造影剂增强前的心肌梗死核磁共振图像序列;

S22、时间编码器由一个VSS网络编码器、光流估计器FlowNet2.0和时间感知块组成;

S23、VSS网络编码器接受一个图片序列

每张原始图片的尺寸为256×256;在编码器中,图片首先经过一系列的卷积和池化操作,被转换为256通道,大小为64×64的特征编码;这一过程包括:第一卷积层:使用具有128个卷积核,3×3核大小,步长为1,和“same”填充方式的卷积操作,这样能保持输出特征图的空间尺寸不变;操作后的特征表示为:第二卷积层:使用具有256个卷积核,3×3核大小,步长为1,和“same”填充方式的卷积操作;进一步细化了由第一层传来的特征图:在每个卷积层之后,这些特征图通过批正则化层

S24、光流估计器FlowNet2.0接收连续的图像帧作为输入,并输出一个光流图,即对于每一帧图像,计算出每一个像素点从当前帧到下一帧的运动向量;光流估计器FlowNet2.0通过组合多个网络来提高光流估计的准确性和细致度;

首先,光流估计器FlowNet2.0使用相关流网FlowNetC和简单流网FlowNetS两种网络的级联形式来进行初步的光流估计;其中,相关流网FlowNetC负责捕获帧间的粗略运动信息,而简单流网FlowNetS则直接从成对的帧中学习光流模式;

接下来,为了更精确地捕获不同尺度上的运动信息,光流估计器FlowNet2.0通过不同的网络路径处理不同分辨率的图像输入,允许系统在多个层面上进行运动信息的分析;

最后,为了进一步提高光流估计的精度,光流估计器FlowNet2.0在其架构中加入了一个额外的细化网络,称为流网2.0-堆叠密集型FlowNet2.0-SD;这个网络专注于细化和优化最初的光流估计结果;

在这个框架中,假设

S25、时间感知块T,结合估计的光流信息

具体地,对于每个像素位置

其中,

接着,将传播的先前特征

其中

其中

S26、空间编码器由一个VSS网络编码器和空间融合块组成;

S27、VSS网络编码器接受一个图片序列

每张原始图片的尺寸为256×256;在编码器中,图片首先经过一系列的卷积和池化操作,被转换为256通道,大小为64×64的特征编码;这一过程包括:第一卷积层:使用具有128个卷积核,3×3核大小,步长为1,和“same”填充方式的卷积操作,这样能保持输出特征图的空间尺寸不变;操作后的特征表示为:第二卷积层:使用具有256个卷积核,3×3核大小,步长为1,和“same”填充方式的卷积操作;该层进一步细化了由第一层传来的特征图:在每个卷积层之后,这些特征图通过批正则化层

S28、空间感知块S,其核心是一个空间注意力机制,旨在增强模型对时空数据中在空间维度上具有丰富信息的像素的关注;空间注意力机制选择在时空空间中沿空间维度上具有信息量的像素;

首先,对输入的特征

接着,将全局平均池化和全局最大池化的结果沿着通道维度进行连接因此,空间注意力

其中

得到空间注意力图

特征处理过程写成:

其中

2.根据权利要求1所述的无造影剂心肌梗死图像分割方法,其特征在于:所述步骤S1包括:S11、收集钆造影剂增强前后的心肌梗死核磁共振图像对数据集;

S12、通过双线性插值方法调整图像分辨率为256×256,并将数据集分为训练数据和测试数据两部分;

S13、通过对训练数据集中的图像及其标签进行随机水平翻转、顺时针旋转90度、顺时针旋转180度来进行数据增强;

S14、将经过数据增强的训练数据集中的钆造影剂增强前的心肌梗死核磁共振图像序列作为输入,将主解码器的输出作为模型最终的心肌梗死分割结果。

3.根据权利要求2所述的无造影剂心肌梗死图像分割方法,其特征在于:所述步骤S3包括:S31、主解码器由一个时空特征融合块和两层解码器骨干网络构成;

S32、时空特征融合块融合时空双流编码器传递的时间特征其中

S33、每层解码器骨干网络包含两个卷积核为3×3,步长为2×2,使用“same”填充的反卷积层即转置卷积层、两个批正则化函数假设编码器输出的结果为

其中,

4.根据权利要求3所述的无造影剂心肌梗死图像分割方法,其特征在于:所述步骤S4包括:S41、鉴别器模块由6个卷积层和5个全连接层组成;

卷积层可提取高层特征,并减少完全连接层的特征大小;6个卷积层设置内核大小为4×4,步长为2×2,填充为1×1;此外,卷积核数设置为[64、128、256、512、256、128],使鉴别器能够广泛提取特征,然后在后续的全连接层中选择有价值的特征;

5个全连接层在卷积层之后用来进一步处理提取的特征并输出评分结果;具体地,第一个全连接层的神经元数为1024,随后的层逐渐减少,第二层为512,第三层为256,第四层为128,最后一层设置为1,输出一个标量值;

S42、鉴别器模块由一个训练阶段和一个对抗阶段组成;在利用鉴别器对编码器和主解码器进行优化之前,先对鉴别器网络进行训练;

S43、在训练阶段,鉴别器模块被训练以区分真实标签和分割模型的预测图;将真实标签的评估目标设定为1,将分割预测图的评估目标设定为0,此时,鉴别器对真实标签和分割预测图的评分应分别接近1和0,从而达到训练鉴别器的目的;

S44、在对抗性阶段,固定鉴别器,利用鉴别器对真实标签和分割预测图的评分结果对时空双流网络和主解码器进行优化。

5.根据权利要求4所述的无造影剂心肌梗死图像分割方法,其特征在于:所述步骤S5包括:S51、构建全监督心肌梗死神经网络分割网络,使用Adam优化器,并将初始学习率设置为S52、在训练过程中,将使用5折交叉验证方法来评估模型的性能;假设训练集D包含有标签数据;那么训练集D被平均划分为5个子集,每次将其中一个子集作为验证集,剩余的4个子集用于训练;

S53、采用损失函数的组合来指导网络训练过程,包括有监督损失和对抗损失;

心肌梗死神经网络分割网络的损失函数L设置为:其中

其中

在利用鉴别器对编码器和主解码器进行优化之前,先对鉴别器网络进行训练;其损失函数如下:其中

S54、通过损失函数训练模型,反向传播调整参数,选取测试集中精度最高的模型参数进行保存;

S55、选取评价指标包括Dice系数、Jaccard指数、95%Hausdorff距离和平均对称表面距离对模型性能进行评价。

6.一种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,使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。

7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。