CN114943727B 基于关键点检测的颈动脉斑块回声分类方法 （上海大学）

基于关键点检测的颈动脉斑块回声分类方法本发明公开了一种基于关键点检测的颈动个非标准的二维正态分布生成用于定位的热图方法可以缓解超声影像中斑块大小较小而带来2D.建立斑块分类子网络：在斑块定位子网络产出结果的基础其中F1=[aq,Q,…,n],FZ=[B1,B1,…,B]分别为全局和局部分支分2.根据权利要求1所述基于关键点检测的颈动脉斑块36.根据权利要求5所述基于关键点检测的颈动脉斑块回声分类方法，其特征在于：4算机技术进行超声中的斑块回声类型分类仍5插值进行上采样恢复分辨率，相同分辨率下采样与上采样层的特征通过残差块进行连接；[0018]正交融合模块以多分支特征提取模块最后一个池化层经n]分别为全局和局部分支分类层前经2]表示模型的为权重。6斑块前景占比较小的实际情况导致分类准确率低下，要么需要先对斑块进行分割或者检[0033]图3是本发明的基于关键点检测的颈动脉斑块回声分类方法中分类子网络的单分[0037]图7列出了定位子网络在单沙漏网络下使用不同数量下采样层的定位性能对比情[0043]图13列出了本发明的基于关键点检测的颈动脉斑块回声分类方法与其他七种流7[0050]所述步骤B的根据医生对颈动脉超声斑块中心点的标注，利用一个非标准的二维[0055]C1.作为基于关键点检们舍弃了StackedHourglass中的堆叠方式，采用单个Hourglass模块，并且降低了[0056]所述步骤D的在斑块定位子网络产出结果的基础上提取斑块的全局和局部特征，[0057]D1.作为基于关键点检多损失模块将全局分支、局部分支和融合分支的分类结果利用加权损失的方式进行约束，[0058]D11.多分支特征提取模块针对病灶区域的高清细节与整张颈动脉斑块图像的宏分支以调整大小后的颈动脉斑块超声图像和颈动脉斑块的定位热图的拼接后的四通图像8n]分别为全局和局部分支分类层前经2]表示模型的确率以及欧式距离小于100的准确率。在分类性能评估方面，实验通过Accuracy，[0068]本实施例使用的数据集采包含来自204位患者的1898张颈动脉纵切超声图像。每数据集回声类型标签和斑块中心点标签都由经验[0069]本发明的基于关键点检测的颈动脉斑块回声分类方法，如图2所示，包含以下步9[0076]C1.作为基于关键点检们舍弃了StackedHourglass中的堆叠方式，采用单个Hourglass模块，并且降低了[0078]D1.作为基于关键点检[0079]D11.多分支特征提取模块针对病灶区域的高清细节与整张颈动脉斑块图像的宏分支以调整大小后的颈动脉斑块超声图像和颈动脉斑块的定位热图的拼接后的四通图像n]分别为全局和局部分支分类层前经2]表示模型的=0.4时模型的分类性能最优。[0088]参照图5，示出了定位子网络在不同的定位标签高斯分布半径下的定位性能对比大的半径意味着模型关注超声图像中更大的范围，如果这个大范围远超过斑块的实际尺[0089]参照图6-图7，示出了使用沙漏网络的定位子网络在不同复杂度下定位性能的对比情况。该实验的目的是为了验证低复杂度的定位子网络足够满足斑块中心点定位的需采样层的沙漏模块作为定位子网络模型复杂度低[0090]参照图8，示出了分类子网络中的局部分支输入的不同切块大小的实验性能对比包括Alexnet、Resnet50、ResNext50、Densenet169、MobileNet-V2、EfficientNet-b7、别利用斑块区域和整张超声图形的有效信息，能用于单斑块的颈动脉超声图像的回声分[0097]本文结合说明书附图和具体实施例进行阐述只是用于帮助理解本发明的方法和