本發(fā)明涉及超聲圖像處理，尤其涉及一種基于心肌對比超聲心動圖的心肌分割方法、系統(tǒng)及設(shè)備。

背景技術(shù)：

1、隨著深度學(xué)習(xí)技術(shù)的廣泛應(yīng)用，醫(yī)學(xué)影像分析的發(fā)展必將更進(jìn)一步。在心肌對比超聲心動圖(mce)中，對心肌的精確分割和識別對于冠心病的診斷和治療具有重要意義。然而，在實(shí)際操作過程中，受到患者個(gè)體差異、成像質(zhì)量和噪聲干擾等因素的影響，圖像中不可避免地會出現(xiàn)偽影或異常信號。如果處理不當(dāng)，往往會導(dǎo)致診斷結(jié)果不準(zhǔn)確，影響患者的治療方案。

2、傳統(tǒng)的圖像分割方法，如基于閾值、邊緣檢測和區(qū)域生長等方法，常用于心肌對比超聲心動圖(mce)的分析?；陂撝档姆椒ㄊ峭ㄟ^設(shè)定特定的灰度閾值，將圖像中像素值高于或低于該閾值的部分劃分為不同區(qū)域，以嘗試區(qū)分心肌與其他組織；邊緣檢測則是利用圖像中像素灰度的突變來確定心肌組織的邊界；區(qū)域生長是從圖像中的某個(gè)種子點(diǎn)開始，按照一定的相似性準(zhǔn)則逐步合并相鄰像素，直至形成完整的心肌區(qū)域。然而，心肌組織本身結(jié)構(gòu)復(fù)雜，其紋理、灰度等特性并非均勻一致，而且心肌對比超聲心動圖(mce)質(zhì)量常受多種因素干擾，如噪聲、造影劑分布不均等。這些因素導(dǎo)致傳統(tǒng)方法難以精準(zhǔn)確定心肌邊界，分割結(jié)果往往不夠精確，無法滿足臨床對心肌分割高精度的要求。鑒于此，u-net網(wǎng)絡(luò)被引入到心肌分割任務(wù)中。u-net網(wǎng)絡(luò)采用獨(dú)特的編碼器-解碼器結(jié)構(gòu)，編碼器對圖像進(jìn)行下采樣，提取不同層次的特征，能夠捕捉到圖像的全局信息，克服傳統(tǒng)方法對復(fù)雜心肌組織特征提取不充分的問題。解碼器則進(jìn)行上采樣并融合編碼器對應(yīng)層次的特征，使得網(wǎng)絡(luò)可以更好地恢復(fù)圖像細(xì)節(jié)，從而提高分割的準(zhǔn)確性，彌補(bǔ)傳統(tǒng)方法在精確分割心肌方面的不足。

3、然而，u-net網(wǎng)絡(luò)雖然在圖像分割領(lǐng)域取得了一定成果，但在心肌對比超聲心動圖的心肌分割應(yīng)用中仍存在明顯缺陷。u-net網(wǎng)絡(luò)在處理心肌圖像時(shí)，作為一種主要基于卷積運(yùn)算的架構(gòu)，受普通卷積特性的限制，其感受野相對有限，在應(yīng)對心肌組織這種復(fù)雜且具有精細(xì)結(jié)構(gòu)的對象時(shí)，網(wǎng)絡(luò)難以全面捕捉到心肌各個(gè)部分以及其與周圍組織之間的局部特征；并且u-net網(wǎng)絡(luò)對于一些長距離的空間依賴關(guān)系建模能力有限，難以充分捕捉心肌組織在較大范圍圖像中的關(guān)聯(lián)特征，導(dǎo)致心肌分割精度較差。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有的心肌分割方法感受野有限，難以捕捉心肌與周圍組織局部特征，且難以充分捕捉心肌組織在較大范圍圖像中的關(guān)聯(lián)特征，使得心肌分割精度較差的缺陷。

2、為解決上述技術(shù)問題，本發(fā)明提供了一種基于心肌對比超聲心動圖的心肌分割方法，包括以下步驟：

3、構(gòu)建心肌分割模型，所述心肌分割模型包括：編碼器、瓶頸層與解碼器；

4、其中，編碼器包括沿正向傳播方向依次連接的多個(gè)層，每層包括多個(gè)依次連接的膨脹卷積模塊，每個(gè)膨脹卷積模塊包括多個(gè)依次連接的不同膨脹率的膨脹卷積層，每個(gè)膨脹卷積層包括依次連接的膨脹卷積、批量歸一化層與relu激活函數(shù)，將每個(gè)膨脹卷積模塊中所有膨脹卷積層的輸出特征在通道維度上進(jìn)行堆疊，得到每個(gè)膨脹卷積模塊的輸出特征圖；

5、將心肌對比超聲心動圖輸入編碼器提取特征，得到編碼器各層的輸出特征圖；

6、將編碼器最后一層的輸出特征圖輸入瓶頸層，進(jìn)行特征融合，得到融合特征；

7、將編碼器各層的輸出特征圖與融合特征輸入解碼器，得到心肌對比超聲心動圖的心肌分割結(jié)果。

8、優(yōu)選地，當(dāng)編碼器的層數(shù)為5層時(shí)，編碼器的第一層與第二層均包括兩個(gè)依次連接的膨脹卷積模塊，編碼器的第三層、第四層與第五層均包括三個(gè)依次連接的膨脹卷積模塊；

9、當(dāng)編碼器的層數(shù)大于5層時(shí)，編碼器的第一層與第二層均包括兩個(gè)依次連接的膨脹卷積模塊，編碼器的第三層、第四層與第五層均包括三個(gè)依次連接的膨脹卷積模塊，編碼器的其余層均包括多個(gè)依次連接的膨脹卷積模塊。

10、優(yōu)選地，將膨脹卷積模塊的輸入特征輸入膨脹卷積模塊，輸出膨脹卷積模塊的輸出特征圖，包括：

11、將膨脹卷積模塊中第i個(gè)膨脹卷積層的輸入特征通過第i個(gè)膨脹卷積層的膨脹卷積，得到第i個(gè)膨脹卷積層的膨脹卷積的輸出特征，公式為：

12、zi＝ωi*fi+b，

13、將第i個(gè)膨脹卷積層的膨脹卷積的輸出特征通過批量歸一化層處理，得到批量歸一化后的第i個(gè)膨脹卷積層的膨脹卷積的輸出特征，公式為：

14、

15、將批量歸一化后的第i個(gè)膨脹卷積層的膨脹卷積的輸出特征通過relu激活函數(shù)處理，得到第i個(gè)膨脹卷積層的輸出特征，公式為：

16、

17、將所有膨脹卷積層的輸出特征在通道維度上進(jìn)行堆疊，得到膨脹卷積模塊的輸出特征圖，公式為：

18、

19、其中，zi為第i個(gè)膨脹卷積層的膨脹卷積的輸出特征，ωi為膨脹卷積模塊中第i個(gè)膨脹卷積層的膨脹卷積的卷積核，fi為膨脹卷積模塊中第i個(gè)膨脹卷積層的輸入特征，b為偏置項(xiàng)，*為卷積操作，i＝1,2…i，i為膨脹卷積模塊的膨脹卷積層數(shù)，為批量歸一化后的第i個(gè)膨脹卷積層的膨脹卷積的輸出特征，·為點(diǎn)乘，μb為心肌對比超聲心動圖對應(yīng)的第i個(gè)膨脹卷積層的膨脹卷積的輸出特征的均值，為心肌對比超聲心動圖對應(yīng)的第i個(gè)膨脹卷積層的膨脹卷積的輸出特征的方差，ε為常數(shù)，γ為可學(xué)習(xí)的第一參數(shù)，β為可學(xué)習(xí)的第二參數(shù)，為第i個(gè)膨脹卷積層的輸出特征，max(.)為取最大值，為膨脹卷積模塊的輸出特征圖，⊕為在通道維度上進(jìn)行堆疊。

20、優(yōu)選地，將膨脹卷積模塊的輸入特征輸入膨脹卷積模塊，輸出膨脹卷積模塊的輸出特征圖，公式為：

21、

22、其中，為膨脹卷積模塊的輸出特征圖，dcm(.)為膨脹卷積模塊，⊕為在通道維度上進(jìn)行堆疊，relu(.)為relu激活函數(shù)，bn(.)為批量歸一化層，dilatedconvi(.)為膨脹卷積模塊中第i個(gè)膨脹卷積層的膨脹卷積，i為膨脹卷積模塊的膨脹卷積層數(shù)，fi為膨脹卷積模塊中第i個(gè)膨脹卷積層的輸入特征，f1為膨脹卷積模塊的輸入特征。

23、優(yōu)選地，所述將編碼器最后一層的輸出特征圖輸入瓶頸層，進(jìn)行特征融合，得到融合特征，包括：

24、將編碼器最后一層的輸出特征圖進(jìn)行reshape操作，得到重塑特征圖，將重塑特征圖展平為n個(gè)patch塊，所有patch塊的集合構(gòu)成一個(gè)為形狀為的矩陣；其中，為編碼器最后一層的輸出特征圖的高度，為編碼器最后一層的輸出特征圖的寬度，p為patch塊的大??；

25、將矩陣線性映射到d維空間，每個(gè)patch塊均被轉(zhuǎn)換為其對應(yīng)的d維的向量；

26、對編碼器最后一層的輸出特征圖的每個(gè)patch塊對應(yīng)的d維的向量添加位置編碼后，輸入到transformer塊，進(jìn)行特征融合，得到初始融合特征；

27、對初始融合特征進(jìn)行reshape操作，使初始融合特征的尺寸與重塑特征圖一致，得到融合特征。

28、優(yōu)選地，transformer塊包括依次連接的多個(gè)transformer層，每個(gè)transformer層包括：依次連接的層歸一化、多頭注意力機(jī)制與多層感知機(jī)。

29、優(yōu)選地，解碼器包括：多個(gè)上采樣塊、3×3卷積層與一個(gè)分割頭，每個(gè)上采樣塊由一個(gè)3×3卷積層與一個(gè)2×2上卷積組成，每個(gè)3×3卷積層包括一個(gè)3×3卷積和relu激活函數(shù)。

30、優(yōu)選地，所述將編碼器各層的輸出特征圖與融合特征輸入解碼器，得到心肌對比超聲心動圖的心肌分割結(jié)果，包括：

31、將融合特征通過第一個(gè)上采樣塊處理，得到第一個(gè)上采樣塊的輸出特征圖；

32、將第j個(gè)上采樣塊的輸出特征圖與編碼器第m-j+1層的輸出特征圖在通道維度上堆疊后，作為第j+1個(gè)上采樣塊的輸入；其中，j＝1,2…m，m為上采樣塊的個(gè)數(shù)；

33、將第m個(gè)上采樣塊的輸出特征圖與編碼器第一層的輸出特征圖在通道維度上堆疊后，依次經(jīng)過3×3卷積層、分割頭處理，得到心肌對比超聲心動圖的心肌分割結(jié)果。

34、本發(fā)明還提供了一種基于心肌對比超聲心動圖的心肌分割系統(tǒng)，包括：

35、模型構(gòu)建模塊，用于構(gòu)建心肌分割模型，所述心肌分割模型包括：編碼器、瓶頸層與解碼器；

36、其中，編碼器包括沿正向傳播方向依次連接的多個(gè)層，每層包括多個(gè)依次連接的膨脹卷積模塊，每個(gè)膨脹卷積模塊包括多個(gè)依次連接的不同膨脹率的膨脹卷積層，每個(gè)膨脹卷積層包括依次連接的膨脹卷積、批量歸一化層與relu激活函數(shù)，將每個(gè)膨脹卷積模塊中所有膨脹卷積層的輸出特征在通道維度上進(jìn)行堆疊，得到每個(gè)膨脹卷積模塊的輸出特征圖；

37、特征提取模塊，用于將心肌對比超聲心動圖輸入編碼器提取特征，得到編碼器各層的輸出特征圖；

38、融合模塊，用于將編碼器最后一層的輸出特征圖輸入瓶頸層，進(jìn)行特征融合，得到融合特征；

39、分割模塊，用于將編碼器各層的輸出特征圖與融合特征輸入解碼器，得到心肌對比超聲心動圖的心肌分割結(jié)果。

40、本發(fā)明還提供了一種基于心肌對比超聲心動圖的心肌分割設(shè)備，包括：

41、存儲器，用于存儲計(jì)算機(jī)程序；處理器，用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述一種基于心肌對比超聲心動圖的心肌分割方法的步驟。

42、本發(fā)明的上述技術(shù)方案相比現(xiàn)有技術(shù)具有以下有益效果：

43、本發(fā)明所述的一種基于心肌對比超聲心動圖的心肌分割方法、系統(tǒng)及設(shè)備，通過編碼器的不同層中設(shè)置不同數(shù)量的膨脹卷積模塊，膨脹卷積模塊通過不同膨脹率卷積的堆疊，擴(kuò)大了特征提取時(shí)的感受野，從而有效提取多尺度的特征信息，進(jìn)而提升對心肌對比圖像中不同尺度的組織結(jié)構(gòu)的感知能力。同時(shí)，這種結(jié)構(gòu)還特別有助于捕捉大范圍的低頻信息，如心肌的整體結(jié)構(gòu)和背景，彌補(bǔ)了傳統(tǒng)u-net網(wǎng)絡(luò)因普通卷積感受野受限而難以全面感知局部細(xì)節(jié)的缺陷；此外，本發(fā)明將最后一層的輸出特征圖展平為patch塊并構(gòu)建矩陣，將原本分散且難以被充分挖掘關(guān)聯(lián)的局部特征被重新整合，每個(gè)patch塊都成為了一個(gè)包含局部信息的單元，能夠更細(xì)致地反映心肌組織及周圍組織的局部細(xì)節(jié)，通過在瓶頸層引入transformer塊，transformer塊包括依次連接的多個(gè)transformer層，每個(gè)transformer層包括：依次連接的層歸一化、多頭注意力機(jī)制與多層感知機(jī)，多頭注意力機(jī)制能夠突破傳統(tǒng)卷積的局部性限制，全面捕捉心肌各個(gè)部分以及其與周圍組織之間的長距離空間依賴關(guān)系，通過多個(gè)transformer層，可以關(guān)注不同尺度或類型的空間依賴關(guān)系，能夠適應(yīng)心肌對比超聲心動圖中心肌的不規(guī)則形狀和復(fù)雜結(jié)構(gòu)，提取到的特征可以交互進(jìn)行特征融合，使得對心肌輪廓的分割更完整，從而提高心肌邊界區(qū)域的預(yù)測精度。