[发明专利]一种基于超声成像构建三维心脏模型的方法

权利要求书

1.一种基于超声成像构建三维心脏模型的方法，其特征在于：包括如下步骤：

S1、超声图像预处理：导入心脏超声图像数据集，对数据集进行特征点重标定处理，然后分离心脏各个部位的数据集，针对每个数据集进行去除超声斑纹噪声处理；

S2、图像分割和边缘轮廓特征提取；

S3、心脏模型三维重建：采用PTAM算法进行心脏各部位的三维建模，然后将构建的单个心脏部位模型进行合成处理，构建完整的心脏三维模型；

S4、三维心脏模型的可视化；

在步骤S1中，所述数据集分为左心房数据集、左心室数据集、右心房数据集、右心室数据集、窦房结数据集、房室结数据集、主动脉数据集、肺动脉数据集、肺静脉数据集、上下腔静脉数据集；

在步骤S2中，采用全卷积神经网络学习算法进行心脏超声图像的分割和边缘轮廓特征提取，具体步骤为：

S21、全卷积：将心脏超声图像进行卷积和池化处理，卷积过程使用16层的VGGNet结构，VGGNet有8个卷积段，前5个段有2到3个卷积层，每个段以最大池化层结束，用于压缩图像大小；后3段将传统的全连接层转化为卷积层；

其中，全卷积神经网络模型参数设置为：前5段卷积核尺寸为3*3，卷积步长设定为一个像素，窗口尺寸为2*2，步长设定为2个像素，后3段卷积核尺寸为1*1，卷积步长设定为一个像素，每段卷积层内的卷积核数量相同，具体设置为：64、64、128、128、256、256、256、512、512、512、512、512、512、4096、4096、1000；

S22、反卷积：输入的心脏超声图像经过卷积与池化操作后，图像大小不断减小，其分辨率也逐渐变低；反卷积过程需要镜像16层VGGNet，将从网络中提取的特征图恢复到原始图像的大小和位置，并进行像素分类，直接输出图像分割的结果；

S23、训练迭代过程：采用跳跃结构进行迭代训练，将不同池化层的结果进行反卷积，叠加多层图像采样数据来补充图像特征细节，用以优化最终输出的心脏超声图像分割结果，完成边缘特征提取；

所述步骤S23的训练迭代过程，采用反向传播链式求导法则，通过最小化损失函数对权值进行更新，得到全卷积神经网络最优的权值参数，用以优化分割结果，算法如下：

S231、设置损失函数：

其中，n为总的样本数量；X_i和分别代表属于和不属于目标区域的样本i的像素的集合；表示属于目标区域的像素网络模型输出值的集合；表示不属于目标区域的像素网络模型输出值集合；c_k表示第k个像素相对于属于目标区域的概率；F_k表示第k个像素对应目标区域的数量；

S232、设定全卷积神经网络训练过程，训练卷积核的权值Z和偏置b，每次的更新和迭代都按照如下过程进行：

其中，Z_m,h表示某一层的第m个神经元到相邻层第h个神经元的连接参数，δ是学习率，b是偏置量，E(Z,b)代表代价函数；

S2321、前向传播过程：

隐含层输入：

输出层输入：

输出层输出：

S2322、反向求导过程：

S2323、更新Z，b：

S2324、重复步骤S2321到S2323，当损失函数E在误差允许的范围之内停止操作，获得最优权值参数。

2.根据权利要求1所述的一种基于超声成像构建三维心脏模型的方法，其特征在于：在步骤S3中，所述心脏模型三维重建具体步骤为先进行心脏超声图像特征点的检测和匹配；Track过程进行图像特征追踪，通过不断将新的关键帧中的特征点加入到初始化空间模型中，构建心脏的三维模型。