一种基于生物视觉启发的轻量化心脏超声左心室分割方法
本发明属于计算机领域，尤其涉及一种基于生物视觉启发的轻量化心脏超声左心室分割方法。
背景技术：
1、心脏超声（超声心动图）是一种重要的医学成像技术。它为医生提供了详细的心脏结构和功能信息，已经广泛应用于诊断和治疗各种心脏疾病。这种成像方式具有无创、实时、动态观察等优势，临床医生需要根据具体需求来进行选择和应用。
2、心脏超声图像分割是一项重要的技术，它在医学影像分析中发挥着关键作用。通过将心脏结构从超声图像中准确地分割出来，医生可以获得更加清晰和详细的心脏信息，从而有助于诊断和治疗部分心脏疾病。心脏超声对相应区域分割的准确度不仅能提供精确的心脏结构和功能信息，还能帮助医生做出正确的临床判断，制定有效的治疗方案。
3、在心脏超声诊断中，手动标记左心室区域既耗时又容易受到观察者偏见的影响。为了克服传统手工分割方法的局限性，近年来基于计算机视觉和深度学习的自动化分割技术逐渐兴起，这些技术显著提升了心脏超声图像的分割效率和精确度。早期，研究者提出了一些机器学习方法，例如leclerc采用结构化随机森林，huang等人开发了动态外观模型来分割左心室。然而，这些方法要么依赖手工制作的功能，要么不够强大。随着研究的深入，深度学习技术，尤其是卷积神经网络（cnn），已被广泛应用于心脏图像分割任务。smistad等人开发了一种基于unet的模型，专门用于二维心脏超声中左心室的分割。此外，oktay等人对该模型进行了扩展，利用解剖学的先验知识进行基于位置的指导，进一步提升了基于unet的分割效果。随着transformer架构的提出，deng等人将这一具有全局感受野的方法应用于心脏超声左心室的分割，也取得了良好的效果。这些技术通过自动学习图像中的特征和模式，减少了人工干预的需求，实现了心脏结构的准确、高效和一致的分割。
4、在上述研究中，这些先进的模型通常具有较大的参数量和复杂的计算需求。这种参数的庞大和计算上的复杂性虽然使得模型能够更深入地学习图像特征，提供了卓越的分割性能，但同时也带来了对高性能计算资源的依赖。在实际应用中，这可能限制了这些先进技术的普及和使用，尤其在资源受限的环境中。因此，虽然这些模型在技术上是前沿的，它们在部署和运行时仍需考虑到成本效益和实际可操作性。
技术实现思路
1、针对现有自动分割方法依赖于复杂、计算量大的深度学习模型，限制了其在资源受限环境中的应用问题，本发明提出了一种高效、超轻量化的心脏超声分割模型方法，以提高心脏超声分割的准确性和效率，同时显著降低硬件成本，拓展技术应用范围。
2、为解决上述问题，本发明采用以下技术方案：
3、一种基于生物视觉启发的轻量化心脏超声左心室分割方法，该方法包括以下步骤：
4、步骤1） 确定心脏超声数据集；
5、步骤2） 基于生物视觉系统，构建心脏超声左心室分割模型结构，包括int（初始化）模块、retina（视网膜）模块、lgn（外侧膝状体）模块和v1（初级视觉皮层）模块、fusion-up模块，且retina模块、lgn模块后均连接一最大池化层，所述retina模块、lgn模块为拮抗模块，所述v1模块为方向选择模块；所述int模块接收初始心脏超声图像，通过卷积模块调整图像的通道数，初始化的超声图像输入至拮抗模块，经所述拮抗模块采用周边-中心拮抗、中心-周边拮抗卷积，提取左心室内腔和心壁特征信息，然后经方向选择模块提取左心室轮廓边界信息；接着通过两个fusion-up模块进行逐步上采样，输出心脏超声图像的左心室分割结果；
6、步骤3） 基于构建的心脏超声数据集，结合损失函数，对所构建的心脏超声左心室分割模型结构进行训练，获得训练后模型，即心脏超声左心室分割模型；
7、步骤4） 根据目标心脏超声图像，应用心脏超声左心室分割模型，获得目标心脏超声左心室分割图像。
8、进一步，采用camus(cardiac acquisitions for multi-structure ultrasoundsegmentation)心脏超声数据集为步骤1）的心脏超声数据集。
9、进一步，所述retina模块采用3×3的卷积核，将所述卷积核的周边权重值分别减去中心权重值并将中心权重值调整为零，利用调整后的3×3的卷积核进行周边-中心拮抗卷积，经instancenorm归一化和relu激活函数操作后，将所述3×3的卷积核的权重值与周边权重值之和相减，实施卷积核的重参数化变为1×1卷积核，进行中心-周边拮抗卷积，最后经一个最大池化层池化将图像的高度和宽度维度减少到原来的1/2，提取左心室内腔和心壁特征信息。
10、进一步，由于生物视觉的分级机制，lgn具有比retina更大的感受野，因此所述lgn模块的3×3的周边-中心拮抗卷积的膨胀系数设置为2，图像信息经retina模块处理后传输至lgn模块，进行与retina模块中一样的拮抗卷积操作，最后经最大池化层池化将图像的高度和宽度维度减少到原来的1/4，进一步提取左心室内腔和心壁特征信息。
11、进一步，所述周边-中心拮抗卷积设置为分组卷积，分组数等于通道数，以减少参数量。
12、进一步，所述v1模块即方向选择模块通过构造卷积核并分别从垂直、水平、左斜和右斜方向将卷积核的值置零，进行卷积，提取左心室轮廓边界信息。
13、进一步，为避免直接上采样导致提取的图像信息丢失，采用两个fusion-up模块进行逐步上采样，所述fusion-up模块通过卷积操作调整低分辨率特征输入和高分辨率特征输入的通道数，然后分别经过instancenorm归一化和relu激活函数操作后，融合输出两输入通道的信息。
14、进一步，对第二个fusion-up模块输出的图像信息进行1×1且只有1个通道的卷积操作，然后经sigmoid激活函数的激活操作输出与初始图像尺寸一致的左心室分割图像。
15、进一步，基于python3.9环境和pytorch框架构建所述的心脏超声左心室分割模型结构，且训练时使用初始学习率为0.0001的adam优化器，正则化步长设置为1，伽马设置为0.75；训练轮数设置为500，批量大小为16。
16、进一步，训练时采用bcewithlogitsloss损失函数，它结合了sigmoid激活函数和二元交叉熵损失函数（binary cross-entropy loss,bce）的计算，这样可以提高数值稳定性并减少计算步骤，bcewithlogitsloss的计算公式如下：
17、
18、其中，n为批量大小，y为真实值，z为预测值，为sigmoid激活函数。
19、进一步，基于所确定的心脏超声数据集，对所构建的心脏超声左心室分割模型结构进行训练，获得训练后模型，即心脏超声左心室分割模型。
20、进一步，根据目标心脏超声图像，应用心脏超声左心室分割模型，获得目标心脏超声左心室分割图像，并使用dice系数和miou(mean intersection over union)指标来衡量结果的准确性和一致性，同时引入参数量和fps(frames per second)从不同的角度全面评估模型的性能。
21、与现有技术相比，本发明的有益效果为：
22、首先，我们的方法受到生物视觉系统高效性的启发，通过模拟视觉系统中gc（神经节细胞）、lgn（外侧膝状体）及v1（初级视觉皮层）的特征提取机制，开发的拮抗模块和方向选择模块，能够有效提取心脏超声图像中的特征，并在保持分割准确性的同时大幅减少了模型的参数量和计算需求，显著降低对高性能计算资源的依赖；实验验证结果表明：我们的模型使用0.1m的参数处理224x224像素的图像时的计算量仅为1.1 gflops，在rtx 3090显卡上的fps为120+；
23、其次，为了更好地还原分割细节信息，本发明采用了逐级上采样的方法，以实现更为精细的分割结果，相比其它模型，本发明构建的模型在对左心室的精确分割方面表现相当甚至更优异；
24、本发明提供的分割方法不仅技术上突破了现有模型的限制，而且为心脏超声图像分割技术的应用提供了一种更轻量化且高效的解决方案。
技术特征：
1.一种基于生物视觉启发的轻量化心脏超声左心室分割方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于生物视觉启发的轻量化心脏超声左心室
3.根据权利要求2所述的一种基于生物视觉启发的轻量化心脏超声左心室
4.根据权利要求3所述的一种基于生物视觉启发的轻量化心脏超声左心室
5.根据权利要求4所述的一种基于生物视觉启发的轻量化心脏超声左心室
6.根据权利要求5所述的一种基于生物视觉启发的轻量化心脏超声左心室
7.根据权利要求6所述的一种基于生物视觉启发的轻量化心脏超声左心室
8.根据权利要求7所述的一种基于生物视觉启发的轻量化心脏超声心室分
9.根据权利要求8所述的一种基于生物视觉启发的轻量化心脏超声左心室分割方法，其特征在于，基于所确定的心脏超声数据集，对所构建的心脏超声左心室分割模型结构进行训练，获得训练后模型，即心脏超声左心室分割模型；根据目标心脏超声图像，应用心脏超声左心室分割模型，获得目标心脏超声左心室分割图像，并使用dice系数、miou指标、参数量和fps评估所述目标心脏超声左心室分割图像的效果和所述心脏超声左心室分割模型的性能。
10.根据权利要求9所述的一种基于生物视觉启发的轻量化心脏超声左心室
技术总结
本发明公开了一种基于生物视觉启发的轻量化心脏超声左心室分割方法，该方法通过模拟生物视觉系统GC‑LGN‑V1的特征提取机制，具体来说，受生物视觉神经节细胞（GC）和外侧膝状体（LGN）细胞感受野的中心‑周边、周边‑中心拮抗机制启发设计了拮抗模块，以及受初级视觉皮层(V1)细胞感受野方向选择性启发，设计了方向选择模块，构成特征提取网络模块，为了更好还原分割细节信息，采用了逐级上采样方式得到更为精细的分割结果。本发明提供的方法在对左心室的精确分割方面与其它先进模型相比，表现相当甚至更优异，同时大幅减少了模型的参数量和计算需求，显著降低了对高性能计算资源的依赖，为心脏超声图像分割技术的应用提供了一种更轻量化且高效的解决方案。
技术研发人员：檀韬,庞鑫韬,林灿堂,高智凡
受保护的技术使用者：澳门理工大学
技术研发日：
技术公布日：2024/12/5