一种基于深度学习的颈动脉管径比测量方法和系统与流程

1.本发明涉及医学图像处理技术领域，尤其涉及一种基于深度学习的颈动脉管径比测量方法和系统。


背景技术：

2.脑血管病是世界范围内公认的致残率、病死率最高的疾病之一，包括出血性脑血管病和缺血性脑血管病。由于颈动脉是向大脑供血的主要动脉之一，当颈动脉存在严重的粥样硬化时，就可能会导致脑缺血的发生。而颈动脉粥样硬化的明显特征是动脉内腔出现颈动脉斑块。斑块不仅仅限制向阻塞的下游的组织和器官递送新鲜血液，而且也会在变窄的管腔中捕获血凝块，阻挡所有血流。另外的、相等严重性的事件能够由颈动脉斑块引起。由于颈动脉向脑部提供血液供应，在颈动脉血流中的特定物质会造成脑血管阻塞以及潜在的卒中的风险。斑块成分不同，其易损性与稳定性也不同。因此对颈动脉斑块进行早期识别与成分检测，对于缺血性脑卒中的预防与高危人群的风险评估有重要的现实意义。临床上，通过对颈动脉的狭窄程度及斑块的形态学测定，来对颈动脉斑块进行评价，判断其危害性，主要是通过设置参考点匹配的传统算法或者人工测量的方式获取斑块参数。由于，颈动脉斑块图像本身具有很多噪声和伪像的存在，传统的图像算法很难达到稳定的测量效果，人工计算效率又低下。


技术实现要素：

3.基于现有问题，本发明提供一种深度学习的颈动脉管径比测量方法和系统，旨在解决现有技术中斑块参数获取效率低下、测量不稳定等技术问题。
4.一种基于深度学习的颈动脉管径比测量方法，包括如下步骤：
5.步骤a1，获取颈动脉斑块的超声图像；
6.步骤a2，采用图像分割模型对超声图像中的颈动脉和斑块进行特征提取，获取同时包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，整体轮廓特征数据包括包含同时包括颈动脉和斑块的相对的第一轮廓曲线和第二轮廓曲线；
7.步骤a3，获取整体轮廓特征数据的中心线；
8.步骤a4，获取中心线上的若干点坐标以形成一中心点坐标集合；
9.步骤a5，从提取出的斑块轮廓中获取斑块的若干边缘点坐标以形成一边缘点坐标集合；
10.步骤a6，获取中心点坐标集合和边缘点坐标集合之间的最小豪斯多夫距离，将与最小豪斯多夫距离相对应的中心点坐标作为目标中心点，将与最小豪斯多夫距离相对应的边缘点坐标作为目标边缘点；
11.步骤a7，将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线相交的第一交点，并获取直线与第二轮廓曲线相交的第二交点，计算第一交点和第二交点之间的距离，作为第一距离；
12.步骤a8，判断斑块轮廓与第一轮廓曲线还是与第二轮廓曲线有重叠；
13.步骤a9，当斑块轮廓与第一轮廓曲线重叠时，计算第一交点和目标边缘点之间的距离作为第二距离；以及
14.当斑块轮廓与第二轮廓曲线重叠时，计算第二交点和目标边缘点之间的距离作为第二距离；
15.步骤a10，计算第二距离与第一距离的比值，作为颈动脉管径比。
16.进一步的，图像分割模型为unet神经网络模型。
17.进一步的，unet神经网络模型依次包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第六解码层、第七解码层、第八解码层和第九解码层；
18.第一至第五编码层的相邻编码层之间通过最大池化层连接，第五编码层的输出端通过第一上采样层与第六解码层的输入端连接，第六至第九解码层的相邻解码层之间通过第二上采样层连接；
19.其中，第一编码层和第九解码层中的卷积核深度均为32。
20.进一步的，第二至第五编码层、第六至第八解码层中的卷积核深度均为8。
21.进一步的，第四编码层和第六解码层之间通过跳跃连接层按通道连接，跳跃连接层的末端加入一注意力模型。
22.进一步的，颈动脉轮廓为颈动脉的内膜与管腔的边界，第一距离为颈动脉的内径。
23.进一步的，步骤a2之后还包括：
24.步骤b1，对整体轮廓特征数据进行二值化处理，并提取感兴趣区域；
25.步骤a3包括：采用hilditch算法对感兴趣区域进行细化处理，依据感兴趣区域中的颈动脉轮廓和斑块轮廓形成的整体轮廓特征数据，获取整体轮廓特征数据的中心线。
26.一种基于深度学习的颈动脉管径比测量系统，其特征在于，包含前述的一种基于深度学习的颈动脉管径比测量方法，包括：
27.图像获取模块，用于获取颈动脉斑块的超声图像；
28.图像分割模块，连接图像获取模块，用于采用图像分割模型对超声图像中的颈动脉和斑块进行特征提取，获取同时包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，整体轮廓特征数据同时包括颈动脉和斑块的相对的第一轮廓曲线和第二轮廓曲线；
29.中心线获取模块，连接图像分割模块，用于获取整体轮廓特征数据的中心线；
30.第一存储模块，连接中心线获取模块，用于获取和存储中心线上的若干点坐标形成的一中心点坐标集合；
31.第二存储模块，连接中心线获取模块，用于从提取出的斑块轮廓中获取和存储斑块的若干边缘点坐标形成的一边缘点坐标集合；
32.目标点获取模块，分别连接第一存储模块和第二存储模块，用于获取中心点坐标集合和边缘点坐标集合之间的最小豪斯多夫距离，将与最小豪斯多夫距离相对应的中心点坐标作为目标中心点，将与最小豪斯多夫距离相对应的边缘点坐标作为目标边缘点；
33.第一距离获取模块，分别连接目标点获取模块和中心线获取模块，用于将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线相交的第一交点，并获取直线与第二轮廓曲线相交的第二交点，计算第一交点和第二交点之间的距离，作为第一距离；
34.判断模块，连接图像分割模块，用于判断斑块轮廓与第一轮廓曲线还是与第二轮廓曲线重叠；
35.第二距离获取模块，分别连接目标点获取模块、中心线获取模块和判断模块，当斑块轮廓与第一轮廓曲线重叠时，计算第一交点和目标边缘点之间的距离作为第二距离；以及，当斑块轮廓与第二轮廓曲线重叠时，计算第二交点和目标边缘点之间的距离作为第二距离；
36.管径比计算模块，分别连接第一距离获取模块和第二距离获取模块，用于计算第二距离与第一距离的比值，作为颈动脉管径比。
37.进一步的，图像分割模型为unet神经网络模型。
38.进一步的，unet神经网络模型依次包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第六解码层、第七解码层、第八解码层和第九解码层；
39.第一至第五编码层的相邻编码层之间通过最大池化层连接，第五编码层的输出端通过第一上采样层与第六解码层的输入端连接，第六至第九解码层的相邻解码层之间通过第二上采样层连接；
40.其中，第一编码层和第九解码层中的卷积核深度均为32。
41.本发明的有益技术效果是：通过获取颈动脉斑块的超声图像，利用图像分割模型对颈动脉和斑块进行多标签分割，从而计算出颈动脉管径比，无需人工参与，提高测量效率以及测量稳定性。
附图说明
42.图1为本发明一种基于深度学习的颈动脉管径比测量方法的步骤流程图；
43.图2为传统的unet模型的结构框图；
44.图3为本发明的unet模型的结构框图；
45.图4为本发明一种基于深度学习的颈动脉管径比测量方法和系统的颈动脉斑块图像的测量示意图；
46.图5为本发明一种基于深度学习的颈动脉管径比测量系统的模块示意图；
47.图6为本发明一种基于深度学习的颈动脉管径比测量系统的另一种优选实施方式的模块示意图；
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
50.下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
51.参见图1，本发明提供一种基于深度学习的颈动脉管径比测量方法，包括如下步骤：
52.步骤a1，获取颈动脉斑块的超声图像；
53.步骤a2，采用图像分割模型对超声图像中的颈动脉和斑块进行特征提取，获取同时包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，整体轮廓特征数据包括包含同时包括颈动脉和斑块的相对的第一轮廓曲线和第二轮廓曲线；
54.步骤a3，获取整体轮廓特征数据的中心线；
55.步骤a4，获取中心线上的若干点坐标以形成一中心点坐标集合；
56.步骤a5，从提取出的斑块轮廓中获取斑块的若干边缘点坐标以形成一边缘点坐标集合；
57.步骤a6，获取中心点坐标集合和边缘点坐标集合之间的最小豪斯多夫(hausdorff)距离，将与最小豪斯多夫(hausdorff)距离相对应的中心点坐标作为目标中心点，将与最小豪斯多夫(hausdorff)距离相对应的边缘点坐标作为目标边缘点；
58.步骤a7，将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线相交的第一交点，并获取直线与第二轮廓曲线相交的第二交点，计算第一交点和第二交点之间的距离，作为第一距离；
59.步骤a8，判断斑块轮廓与第一轮廓曲线还是第二轮廓曲线重叠；
60.步骤a9，当斑块轮廓与第一轮廓曲线重叠时，计算第一交点和目标边缘点之间的距离作为第二距离；以及，
61.当斑块轮廓与第二轮廓曲线重叠时，计算第二交点和目标边缘点之间的距离作为第二距离；
62.步骤a10，计算第二距离与第一距离的比值，作为颈动脉管径比。
63.第一距离即颈动脉的管内直径，也即颈动脉的内径。
64.第二距离可以看成是斑块的厚度或直径。
65.中心线是通过细化算法获得的，具体的，是通过hilditch算法对整体轮廓特征数据进行处理获得的。如果存在斑块，则计算斑块的边原点到中心线点集的类似hausdorff距离。
66.hausdorff距离的原定义：
[0067][0068]
本发明定义一个类似于hausdorff距离,本法名称为最小豪斯多夫(hausdorff)距离，计算公式如下：
[0069]
获取最小豪斯多夫hausdorff距离的计算公式如下所示：
[0070][0071]
其中，在上述公式中，h(a,b)表示a属于中心点坐标集合，b表示边缘点坐标集合。
[0072]
进一步的，图像分割模型为unet神经网络模型。
[0073]
进一步的，unet神经网络模型依次包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第六解码层、第七解码层、第八解码层和第九解码层；
[0074]
第一至第五编码层的相邻编码层之间通过最大池化层连接，第五编码层的输出端通过第一上采样层与第六解码层的输入端连接，第六至第九解码层的相邻解码层之间通过第二上采样层连接；
[0075]
其中，第一编码层和第九解码层中的卷积核深度均为32。
[0076]
进一步的，第二至第五编码层、第六至第八解码层中的卷积核深度均为8。
[0077]
在本发明中，为了兼顾分割速度和效率，将第一编码层和第九解码层的卷积核的深度设置为32，其余的编码层和解码层的卷积核的深度设置为8。提高计算速度。
[0078]
进一步的，第四编码层和第六解码层之间通过跳跃连接层按通道连接，跳跃连接层的末端加入一注意力模型。
[0079]
注意力模型即attention层。
[0080]
参见图2，原有的unet第一至第五编码层的深度参数依次是64、128、256、512、1024，为了提高速度将第一至第五编码层的深度参数依次变成32、8、8、8、8，同时将第六至第九解码层的深度参数依次设置为8、8、8和32，这样虽然提高速度，但是由于参数变少，会损失精度，为此，参见图3，本发明中，在最低端，即第四编码层和第六解码层之间连接的跳跃连接层的末端加入attention层(attention gate)，对提取的feature实现attention机制，提高提取的特征的精度。
[0081]
进一步的，颈动脉轮廓为颈动脉的内膜与管腔的边界轮廓，颈动脉直径为颈动脉的内径。
[0082]
进一步的，步骤a2之后还包括：
[0083]
步骤b1，对整体轮廓特征数据进行二值化处理，并提取感兴趣区域；
[0084]
步骤a3包括：采用hilditch算法对感兴趣区域进行细化处理，依据感兴趣区域中的颈动脉轮廓和斑块轮廓形成的整体轮廓特征数据，获取整体轮廓特征数据的中心线。
[0085]
hilditch细化算法是经典的一种二值图像细化算法。感兴趣区域(roi区域)为矩形区域。在进行步骤a2的图像分割之后，直接获取二值化的roi矩形区域。
[0086]
参见图4，在图4中，第一交点a、第二交点b表示和颈动脉轮廓的边界点，两个边界点也是以斑块轮廓上的目标边缘点c点和目标中心点之间连接形成的直线与颈动脉轮廓的交点，a、b之间的距离便是颈动脉的直径，亦或者颈动脉的内径。斑块附在颈动脉轮廓的下轮廓线上，斑块上的目标边缘点和下轮廓线上的b之间的距离作为斑块的厚度，b点也可以认为斑块轮廓与直线相交的另一个d点，即b点d是重合的。这样获取斑块的厚度和颈动脉的直径便获得颈动脉管径比。
[0087]
参见图5，本发明提供一种基于深度学习的颈动脉管径比测量系统，包含如前述的一种基于深度学习的颈动脉管径比测量方法，包括：
[0088]
图像获取模块(1)，用于获取颈动脉斑块的超声图像；
[0089]
图像分割模块(2)，连接图像获取模块(1)，用于采用图像分割模型对超声图像中的颈动脉和斑块进行特征提取，获取同时包括颈动脉轮廓和斑块轮廓的整体轮廓特征数据，整体轮廓特征数据同时包括颈动脉和斑块的相对的第一轮廓曲线和第二轮廓曲线；
[0090]
中心线获取模块(3)，连接图像分割模块(2)，用于用于获取整体轮廓特征数据的中心线；
[0091]
第一存储模块(4)，连接中心线获取模块(3)，用于获取和存储中心线上的若干点坐标形成的一中心点坐标集合；
[0092]
第二存储模块(5)，连接中心线获取模块(3)，用于从提取出的斑块轮廓中获取和存储斑块的若干边缘点坐标形成的一边缘点坐标集合；
[0093]
目标点获取模块(6)，分别连接第一存储模块(4)和第二存储模块(5)，用于获取中心点坐标集合和边缘点坐标集合之间的最小hausdorff距离，将与最小hausdorff距离相对应的中心点坐标作为目标中心点，将与最小hausdorff距离相对应的边缘点坐标作为目标边缘点；
[0094]
第一距离获取模块(7)，分别连接目标点获取模块(6)和中心线获取模块(3)，用于将目标中心点和目标边缘点形成的直线作为法向，获取直线与第一轮廓曲线相交的第一交点，并获取直线与第二轮廓曲线相交的第二交点，计算第一交点和第二交点之间的距离，作为第一距离；
[0095]
判断模块(10)，连接图像分割模块(2)，用于判断斑块轮廓与第一轮廓曲线还是与第二轮廓曲线重叠；
[0096]
第二距离获取模块(8)，分别连接目标点获取模块(6)、中心线获取模块(3)和判断模块(10)，用于当斑块轮廓与第一轮廓曲线重叠时，计算第一交点和目标边缘点之间的距离作为第二距离；以及，当斑块轮廓与第二轮廓曲线重叠时，计算第二交点和目标边缘点之间的距离作为第二距离；
[0097]
管径比计算模块(9)，分别连接第一距离获取模块(7)和第二距离获取模块(8)，用于计算第二距离与第一距离的比值，作为颈动脉管径比。
[0098]
进一步的，图像分割模型为unet神经网络模型。
[0099]
进一步的，unet神经网络模型依次包括第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第六解码层、第七解码层、第八解码层和第九解码层；
[0100]
第一至第五编码层的相邻编码层之间通过最大池化层连接，第五编码层的输出端通过第一上采样层与第六解码层的输入端连接，第六至第九解码层的相邻解码层之间通过第二上采样层连接；
[0101]
其中，第一编码层和第九解码层中的卷积核深度均为32。
[0102]
进一步的，第二至第五编码层、第六至第八解码层中的卷积核深度均为8。
[0103]
进一步的，第四编码层和第六解码层之间通过跳跃连接层按通道连接，跳跃连接层的末端加入一注意力模型。
[0104]
进一步的，颈动脉轮廓为颈动脉的内膜与管腔的边界，第一距离为颈动脉的内径。
[0105]
参见图6，进一步的，还包括：
[0106]
处理模块(11)，连接图像分割模块(2)，对整体轮廓特征数据进行二值化处理，并提取感兴趣区域；
[0107]
中心线获取模块(3)，连接处理模块(11)，用于采用hilditch算法对感兴趣区域进行细化处理，依据感兴趣区域中的颈动脉轮廓和斑块轮廓形成的整体轮廓特征数据，获取整体轮廓特征数据的中心线。
[0108]
在该实施例中，判断模块(10)连接处理模块(11)，用于二值化后的roi区域判断斑块轮廓与第一轮廓曲线还是与第二轮廓曲线相邻。
[0109]
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。