CN117058170B 基于双分支多尺度交叉融合网络的颈动脉斑块分割方法 （西安电子科技大学）

基于双分支多尺度交叉融合网络的颈动脉本发明公开了一种基于双分支多尺度交叉技术对超声图像中颈动脉斑块分割效果较差的模块，多尺度特征融合模块组成的集成分割网准确定位提取到有效特征，得到很好的分割效2(2b)对划分后的分割训练集图像依次进行上下翻转，左右翻转以及随机旋转_30°~(4)根据斑块的分割损失LossPlaqueCAFF和血管的分割损失LossVesselCAFF构建第一个分割子网络CAFFNet的损失LossCAFF，根据斑块的分割损失LossPlaqueMSFF和血管的分割损失LossVesselMSFF第二个分割子网络MSFFNet的损失像数据集中的所有图像值经过标准化之后都(2c)将(2a)中标准化之后的数据统一下采样至192x256，分割标签图采用最近邻插3所述编码器中的每个编码层均包含两个连续的卷积块，每个卷积块由卷积核大小为3所述解码器中的斑块分支和血管分支结构相同，各分支中的每个解所述的通道注意力CA级联在血管分支特征传入斑块分支的支路该正常卷积核分支包括三个级联的卷积块，依次为卷积核大小为1x1，步长为1，该垂直卷积核分支包括三个级联的卷积块，依次为卷积核大小为1x1，步长为1，该水平卷积核分支包括三个级联的卷积块，依次为卷积核大小为1x1，步长为1，将正常卷积核分支，垂直卷积核分支和水平卷积核分支这三者并6.根据权利要求1所述的方法，其特征在于，所述步骤(4)中根据斑块的分割损失LossPlaqueCAFF和血管的分割损失LossVesselCAFF构建第一个分割子网络CAFFNet的损失4(4b1)设定二分类交叉熵损失函数LossBCEp1和Dice损失函数LossDicep1作为第一个分割子网络中斑块的损失，设定二分类交叉熵损失函数LossBCEv1和Dice损失函数LossDicev1作为其中yp1为第一个分割子网络斑块的真实分割结果，jn为第一个分割子网络斑块的预(4b2)根据LossBCEp1和LossDicep1构建第一个分割子网络的斑块分割损失LossPlaqueCAFF，根据LossBCEv1和LossDicev1构建第一个分割子网络的血管分割损失LossVessLossPlaqueCAFF=λLossBCEp1+γLosLossVesselCAFF=λLossBCEv1+γLos(4b3)根据斑块的分割损失LossPlaqueCAFF和血管的分割损失LossVesselCAFF构建第一个分(4c1)设定二分类交叉熵损失函数LossBCEp2和Dice损失函数LossDicep2作为第二个分割子网络中斑块的损失，设定二分类交叉熵损失函数LossBCEv2和Dice损失函数LossDicev2作为其中yp2为第二个分割子网络斑块的真实分割结果，为第二个分割子网络斑块的预5(4c2)根据LossBCEp2和LossDicep2构建第二个分割子网络的斑块分割损失LossPlaqueMSFF，根据LossBCEv2和LossDicev2构建第二个分割子网络的血管分割损失LossVessLossPlaqueMSFF=λLossBCEp2+γLossDLossVesselMSFF=λLossBCEv2+γLossD(4c3)根据斑块的分割损失LossPlaqueMSFF和血管的分割损失LossVesselMSFF构建第二个分(4d)将第一个分割子网络的损失LossCAFF与第二个分割子网络的损失LossMSFF相加，得(5b)将训练集的超声图像输入到双分支集成网络PDCSNet中得到4个预测的分割结果，其中集成网络中的第一个子分割网络CAFFNet返回一个斑块的预测分割结果jn和一个血管的预测分割结果第二个子分割网络MSFFNet返回一个斑块的预测分割结果jn和一(5c)计算第一个子分割网络CAFFNet的损失LossCAFF和第二个子分割网络MSFFNet的损8.根据权利要求1所述的方法，其特征在于，步骤(6(6a)按顺序从测试集的分割数据中取出超声图像，输入至训练好的双分支集成网络6方法来检测潜在的心脑血管疾病是非常必要的。颈动脉粥样硬化是心血管疾病的主要原[0004]Ronneberger等人在文章《U_Net:ConvolutionalNetworksforBiomedical器—解码器结构，且在水平跳跃连接结构处将浅层特征与深层特征拼接后再进行特征融[0006]随着Transformer在医学图像分割中的广泛应用，Chen等人在文章《TransUNet:TransformersMakeStrongEncodersforMedicalImageSegmentation》提出采用CNN率下进行分割。但是由于超声图像中存在的强伪影以及颈动脉斑块和血管之间的模糊边7在不同患者间表现差异较大，因而这些现有的分割方法均不能很好的适用于不同扫描位[0020](4)根据斑块的分割损失LossPlaqueCAFF和血管的分割损失LossVesselCAFF构建第一个分割子网络CAFFNet的损失LossCAFF，根据斑块的分割损失LossPlaqueMSFF和血管的分割损失LossVesselMSFF第二个分割子网络MSFFNet的损失8[0024](5)采用小批量梯度下降算法，通过分割训练集对所构建的双分支集成网络[0027]1.本发明由于在传统UNet分割网络基础上采用共享的编码器和双分支的解码器[0029]3.本发明由于采用模型集成的方法，可使最终的结果能够在不同模型上取长补[0040]本实例的超声图像数据集来源于某医院超声医学科，由6名超声医师采集的颈动[0042](1.1)对于每张超声图像分超声图像数据集中的所有图像值经过标准化之后都服从标准正态9使用双线性插值使输出图像大小为输入图像padding为0的卷积层以及一个Sigmoid激活层级联组成，该复合池化层由最大池化和平均卷积层中的第一个卷积层分支级联在斑块分支特征与血管分支特征拼接融合之后的特征图上，将第二个卷积层分支级联在血管分支特征与斑块分支特征拼接融合之后的特征图[0074](3.4)将交叉注意力特征融合模块CAFF[0078](4.2.1)选用现有的二分类交叉熵损失函数LossBCEp1和Dice损失函数LossDicep1作为第一个分割子网络中斑块的损失；选用现有二分类交叉熵损失函数LossBCEv1和Dice损失[0083]其中yp1为第一个分割子网络斑块的真实分割结果，jn为第一个分割子网络斑块[0084](4.2.2)根据LossBCEp1和LossDicep1构建第一个分割子网络的斑块分割损失LossPlaqueCAFF；根据LossBCEv1和LossDicev1构建第一个分割子网络的血管分割损失[0088](4.2.3)根据斑块的分割损失LossPlaqueCAFF和血管的分割损失LossVesselCAFF构建第[0092](4.3.1)选用现有的二分类交叉熵损失函数LossBCEp2和Dice损失函数LossDicep2作为第二个分割子网络中斑块的损失；选用现有的二分类交叉熵损失函数LossBCEv2和Dice损失函数LossDicev2作为第二个分割子网[0097]其中yp2为第二个分割子网络斑块的真实分割结果，jn为第二个分割子网络斑块[0098](4.3.2)根据LossBCEp2和LossDicep2构建第二个分割子网络的斑块分割损失LossPlaqueMSFF；根据LossBCEv2和LossDicev2构建第二个分割子网络的血管分割损失[0102](4.3.3)根据斑块的分割损失LossPlaqueMSFF和血管的分割损失LossVesselMSFF构建第[0105](4.4)将第一个分割子网络的损失LossCAFF与第二个分割子网络的损失LossMSFF相[0110](5.2)将训练集的超声图像输入到双分支集成网络PDCSNet中得到4个预测的分割个血管的预测分割结果第二个子分割网络MSFFNet返回一个斑块的预测分割结果和通过总损失函数计算得到双分支集成网络PDCSNe[0115](6.1)按顺序从测试集的分割数据中取[0120]本发明的仿真实验平台是Linux操作系统，配置为IntelgCoreTMi7_12700KFCPU[0123]仿真1，在上述仿真实验条件下，使用本发明和现有6种分割方法UNet、UNet++、[0135]仿真2，在上述仿真实验条件下，使用本发明和现有6种分割方法UNet、UNet++、有6种方法中效果最好的方法，本发明中斑块的Dice指标提高了2.21IoU指标提高了[0153]从表2可以看出，本发明中血管的Dice指标可以达到93.77IoU可以达到88.96