(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210298732.8 (22)申请日 2022.03.23 (71)申请人 浙大城市学院 地址 310015 浙江省杭州市拱 墅区湖州街 51号 (72)发明人 王媛媛　董芳　高广春　尚丽娜　 张翠　方健　熊凯　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 专利代理师 张羽振 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/20(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于Polar -TransUnet网络的血管内超 声图像边界提取方法 (57)摘要 本发明涉及一种基于Polar ‑TransUnet网络 的血管内超声 图像边界提取方法， 包括： 数据增 强； 获取IVUS图像分类 结果； 提取IVUS图像边界。 本发明的有益效果是： 本发明通过自定义数据增 强和搭建TransUnet网络， 获得IVUS图像 的像素 级分类结果， 实现IVUS图像的精准边界提取， 对 于临床冠状动脉粥样硬化的诊断具有重要意义， 同时对其他环状分布的医学图像处理也有借鉴 意义。 权利要求书3页 说明书8页 附图3页 CN 114638812 A 2022.06.17 CN 114638812 A 1.一种基于Polar ‑TransUnet网络的血管内超声图像边界提取方法， 其特征在于， 包 括： 步骤1、 获取测试集中的IVUS原始图像I， 对所述IVUS原始图像I进行数据增强以获取 IVUS增强图像I*， 从而获取测试集对应的增强数据集； 步骤2、 基于增强数据 集训练TransUnet网络， 而后 对测试集 中的IVUS原始图像I进行分 类， 获取IVUS图像分类结果； 步骤3、 基于步骤2的所述 IVUS图像分类结果， 提取IVUS图像边界。 2.根据权利要求1所述的基于Pol ar‑TransUnet网络的血管内超声图像边界提取方法， 其特征在于， 所述 步骤1具体包括以下步骤： 步骤1.1、 对 边血管、 血管分叉、 导丝伪像和阴影进行建模， 建模结果包括边血管Iside、 血 管分叉Ibf、 导丝伪像Iartifact和阴影Ish， 所述建模结果均可以进行3 60度旋转； 步骤1.2、 获取IVUS原始图像I， 将步骤1.1中的各建模结果分别旋转任意角 度， 再以随 机概率叠加至IVUS原 始图像I， 获取IVUS增强图像I*； IVUS增强图像I*可以表示 为： I*＝I* ε(Ish)* ε(Ibf)* ε(Iside)* ε(Iartifact) 其中， ε为 开关函数。 3.根据权利要求1所述的基于Pol ar‑TransUnet网络的血管内超声图像边界提取方法， 其特征在于， 步骤2中， 所述IVUS图像分类结果包括前景和背景； 所述前景为IVUS图像中的 内膜和中 ‑外膜之间的斑块部分， 所述背景为 IVUS图像中的其 余部分。 4.根据权利要求1所述的基于Pol ar‑TransUnet网络的血管内超声图像边界提取方法， 其特征在于， 所述 步骤2具体包括以下步骤： 步骤2.1、 搭建TransUnet网络框架， 所述TransUnet网络框架具有U形结构和跳跃性连 接特点； 步骤2.2、 将 IVUS图像进行切块以获取图像块xp， 再将所述图像块xp进行线性 投射， 线型 投射的公式为： 其中， E为线性映射矩阵， Epos为位置编码， z0是映射后的向量； 步骤2.3、 在图像块上增 加Polar‑bias编码， 编码公式为： Epos＝Norm(R)+cosθ 其中， Norm表示归一化， R表示图像块中心点与图像中心点之间的欧式距离， θ表示图像 块中心点和横坐标正向之间的夹角； 步骤2.4、 将步骤2.3处理后的图像块， 作为Trans former模块的输入， 所述Transformer 模块包括多头自注意力单 元、 第一归一 化单元、 多层感知机单 元和第二归一 化单元； 步骤2.5、 串联l个Transformer模块， 获取第l个Transformer模块的输出， 所述第l个 Transformer模块的输出为： zl＝MLP(LN(zl'))+zl' 其中,MLP是第 l个Transformer模块的多层感知机单元， LN为层归一化操作， zl′表示第 l‑1个Transformer模块的输出， 表达式为： zl′＝MSA(LN(zl‑1))+zl‑1权　利　要　求　书 1/3 页 2 CN 114638812 A 2其中， MSA是第l ‑1个Transformer模块的多头自注意力机制单 元。 5.根据权利要求4所述的基于Pol ar‑TransUnet网络的血管内超声图像边界提取方法， 其特征在于， 步骤2.4中， 所述多头自注意力单元用于结合多个自注意力， 单个自注意力的 计算公式为： 其中， Q代表当前的图像块， K代表当前图像块与被查询图像块间的相关性， V代表被查 询的图像块， 代表对当前分数进行归一 化， B代表网络阈值。 6.根据权利要求1所述的基于Pol ar‑TransUnet网络的血管内超声图像边界提取方法， 其特征在于， 步骤3具体包括以下步骤： 步骤3.1、 采用snake模型显性定义 一条曲线， 所述曲线表示 为： x(s)＝(x(s),y(s) ) 其中， 等式左边的x(s)为矢量， 代表曲线位置， 等 式右边的x(s)和y(s)分别代表曲线在 两条坐标轴上的投影； 步骤3.2、 构建能量 函数 所述能量 函数 表示为： 其中， Esnake为曲线能量， Eint为内部能量， Eimage为外部能量； Eint表示为： 其中， x'表示曲线x的一阶导数， x ”表示曲线x的二阶导数， α与β 分别对应于二者的权重 系数； Eimage表示为： Eimage(v(s))＝ωlineEline+ωedgeEedge+ωtermEterm 其中， ωlineEline表示线能量， ωedgeEedge表示边缘能量， ωtermEterm表示角点能量， Eimage由 线能量、 边 缘能量和角点能量加权组成； 步骤3.3、 定义GVF力场和能量泛函 ε， 所述GVF力场表示 为： v(x,y)＝[u(x,y),v(x,y)] 其中， v(x,y)为GVF力场， u(x,y)和v(x,y)为GVF力场的两个坐标分量； 能量泛函 ε表示 为： 其中， f代表图像的边界信息响应， μ为正则化参数且 μ>0， 控制前后 两项力场的平衡， 当 较小时， 当前位置(x,y)处于均匀区域， 第一项起主要作用， 控制曲线向周围缓慢扩散； 当 很大时， 当前位置(x,y)处于边缘区域， 只有 才能使得能量泛函最小， 故而曲线 会朝向目标边界迅速演化； 步骤3.4、 获取步骤3中的所述IVUS图像分类结果， 根据上述步骤3.1至步骤3.3， 改进曲 线演化的能量 函数 并改进外力场。权　利　要　求　书 2/3 页 3 CN 114638812 A 3