一种跨中心超声图像分割方法、系统及存储介质与流程

本发明涉及一种跨中心超声图像分割方法、系统及存储介质，属于图像分割。

背景技术：

1、心室、心房、心肌等心脏结构的精准分割是超声图像临床分析的核心前提，其结果直接影响心血管疾病（如心肌病、心力衰竭）的早期诊断、病情分级及治疗方案制定。然而，跨中心临床研究中收集的超声图像存在显著异质性：不同中心的超声设备型号、扫描参数（频率、增益）存在差异，导致图像灰度分布、纹理特征、对比度呈现明显差异；同时，心脏解剖结构复杂、组织边界模糊，且受呼吸运动、心率波动等因素影响，进一步增加了分割难度。传统单中心分割方法依赖统一数据分布假设，在跨中心数据上泛化能力极差，难以满足跨中心临床研究需求。

2、为克服跨中心数据异质性难题，研究人员提出各类跨中心超声图像分割方法，大致分为传统方法和深度学习方法。传统方法进一步分为特征拼接类、统计建模类和图模型类：特征拼接类方法，如基于小波变换的融合方法，将跨中心图像特征沿维度拼接后输入分割模型，但忽略了各中心数据的分布差异，无法建模中心间潜在的解剖结构关联，难以发挥跨中心数据的互补性；统计建模类方法，如基于贝叶斯模型的自适应方法，通过构建联合潜变量模型刻画跨中心数据分布，但其仅能全局捕捉数据关联，无法反映局部解剖结构（如心肌边界、心房腔隙）的细微拓扑关系；图模型类方法，如基于相似性网络融合的分割方法，为每个中心构建样本相似性网络，通过迭代融合获得统一特征，但受限于手工设计特征的表达能力，在复杂心脏结构分割中精度有限。

3、尽管现有深度方法取得一定进展，但仍存在明显局限性：一是未能充分挖掘各中心超声图像的特异性特征，无法有效适配设备差异与扫描参数变化；二是特征表示与分割任务的协同优化不足，缺乏对心脏解剖结构边界、拓扑关系的针对性约束，导致跨中心分割泛化能力薄弱。因此，有效探索跨中心特异性特征、构建适配分割任务的特征表示，仍是跨中心超声心脏结构分割的核心挑战。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种跨中心超声图像分割方法、系统及存储介质，显著提升了跨中心超声图像分割的泛化能力和边界精度，尤其适用于心肌等薄型结构的精准分割。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供了一种跨中心超声图像分割方法，包括：

4、获取跨中心的超声图像数据集，所述超声图像数据集包括带有分割标签的源域中心数据和无分割标签的目标域中心数据，所述源域中心数据和目标域中心数据均为包含心脏解剖结构的超声图像，所述心脏解剖结构包括心室、心房、心肌；

5、将包含所述源域中心数据和目标域中心数据的超声图像分别输入u-net编码器，对应提取得到源域中心的浅层特征和深层特征、目标域中心的浅层特征和深层特征，所述浅层特征和深层特征用于表征心脏解剖结构的纹理形态与空间结构；

6、将所述源域中心的浅层特征和深层特征、目标域中心的浅层特征和深层特征分别输入图卷积网络，对应获得源域中心的浅层图特征和深层图特征、目标域中心的浅层图特征和深层图特征，所述图特征用于建模心脏解剖结构之间的解剖拓扑关联；

7、将所述源域中心的浅层图特征和深层图特征、目标域中心的浅层图特征和深层图特征进行融合，获得源域中心和目标域中心的多中心共有特征，所述共有特征用于对齐不同中心间心脏解剖结构的表观特征与拓扑特征；

8、将所述源域中心和目标域中心的多中心共有特征输入图卷积编码器，进行图自表示学习，获得源域中心和目标域中心的内容感知嵌入表示，所述内容感知嵌入表示用于强化心脏解剖结构的拓扑细节；

9、将所述源域中心和目标域中心的内容感知嵌入表示输入u-net解码器，结合分割标签进行聚类约束，并利用目标域图像重构损失约束，输出最终分割结果，所述最终分割结果为对心脏解剖结构的像素级分割结果。

10、进一步的，将包含所述源域中心数据和目标域中心数据的超声图像分别输入u-net编码器，对应提取得到源域中心的浅层特征和深层特征、目标域中心的浅层特征和深层特征，包括：

11、将包含心脏解剖结构的第个源域中心的第个超声图像和包含心脏解剖结构的第个目标域中心的第个超声图像输入u-net编码器，由u-net编码器的浅层编码函数输出第个源域中心的第个浅层特征和第个目标域中心的第个浅层特征，由u-net编码器的深层编码函数输出第个源域中心的第个深层特征和第个目标域中心的第个深层特征，所述浅层特征保留心室、心房、心肌的纹理和灰度分布，所述深层特征保留心室、心房、心肌的高阶语义和空间布局，公式如下：

12、, ；

13、, ；

14、其中，为u-net编码器的浅层编码函数，为u-net编码器的深层编码函数，浅层特征的维度均为，深层特征的维度均为，为图像批大小，、分别为图像高度和宽度，为浅层特征通道数，为深层特征通道数。

15、进一步的，将所述源域中心的浅层特征和深层特征、目标域中心的浅层特征和深层特征分别输入图卷积网络，对应获得源域中心的浅层图特征和深层图特征、目标域中心的浅层图特征和深层图特征，包括：

16、将源域中心的浅层特征和目标域中心的浅层特征通过非重叠分块聚合压缩至，展平后作为图节点特征输入图卷积网络，经第层图卷积后得到源域中心的浅层节点特征矩阵和目标域中心的浅层节点特征矩阵，最后一层输出重塑为4维的源域中心的浅层图特征和4维的目标域中心的浅层图特征，所述图节点对应超声图像中的局部区域，其邻接关系反映心室壁、心房壁、心肌层的空间邻近性；

17、其中，浅层节点特征矩阵、计算公式如下：

18、；

19、；

20、式中：为relu激活函数，为源域中心的浅层归一化邻接矩阵，为目标域中心的浅层归一化邻接矩阵，为源域中心的浅层特征输入图卷积网络后第层的输出，为目标域中心的浅层特征输入图卷积网络后第层的输出，为浅层的图卷积网络的模型参数矩阵；

21、将源域中心的深层特征和目标域中心的深层特征展平后作为图节点特征输入图卷积网络，经第层图卷积后得到源域中心的深层节点特征矩阵和目标域中心的深层节点特征矩阵，最后一层输出重塑为4维的源域中心的深层图特征和4维的目标域中心的深层图特征，所述深层图特征用于编码心室、心房、心肌之间的相对位置和拓扑关系；

22、其中，深层节点特征矩阵、计算公式如下：

23、；

24、；

25、其中，为源域中心的深层归一化邻接矩阵，为目标域中心的深层归一化邻接矩阵为源域中心的深层特征输入图卷积网络后第层的输出，为目标域中心的深层特征输入图卷积网络后第层的输出，为深层的图卷积网络的模型参数矩阵。

26、进一步的，将所述源域中心的浅层图特征和深层图特征、目标域中心的浅层图特征和深层图特征进行融合，获得源域中心和目标域中心的多中心共有特征，包括：

27、将源域中心的浅层图特征和深层图特征沿通道维度拼接，形成源域中心的多中心共有特征，通过多层感知机生成源域中心的注意力权重矩阵，公式如下：

28、；

29、其中，为softmax函数，为tanh激活函数，、、、为可学习参数；

30、将目标域中心的浅层图特征和深层图特征沿通道维度拼接，形成目标域中心的多中心共有特征，通过多层感知机生成目标域中心的注意力权重矩阵，公式如下：

31、；

32、通过加权求和并经3×3卷积获得平均共有特征，公式如下：

33、；

34、其中，为源域中心总数量，为3×3卷积函数；

35、引入中心间对齐损失约束多中心共有特征与平均共有特征的差异，所述中心间对齐损失促使不同中心提取的心室、心房、心肌特征在公共空间中趋于一致，公式如下：

36、；

37、其中，为l2范数；和为可调节参数。

38、进一步的，将所述源域中心和目标域中心的多中心共有特征输入图卷积编码器，进行图自表示学习，获得源域中心和目标域中心的内容感知嵌入表示，包括：

39、将源域中心和目标域中心的多中心共有特征，输入图卷积编码器，分别对应得到源域中心的初始内容感知嵌入表示和目标域中心的初始内容感知嵌入表示，所述内容感知嵌入表示聚焦于心室、心房、心肌的判别性特征，公式如下：

40、；；

41、其中，为多中心共有特征的邻接矩阵，为gcn编码函数；

42、引入子空间对比学习策略，将和分别作为源域中心和目标域中心的自表示学习前的特征，结合源域中心和目标域中心的自表示学习后的特征、，构建对比损失，并整合得到自表示损失，以优化内容感知嵌入表示，所述自表示学习通过自表示系数矩阵挖掘心室、心房、心肌内部及相互间的内在相关性，对比损失用于拉近同一解剖结构的不同表示；同时，通过图卷积解码器重构多中心共有特征，引入重构损失，最终获得优化后的源域中心的内容感知嵌入表示和目标域中心的内容感知嵌入表示；

43、其中，所述对比损失的公式如下：

44、；

45、其中，为余弦相似度函数，，，，表示第个源域中心的自表示学习前的特征，表示第个源域中心的自表示学习后的特征，为自表示系数矩阵；

46、所述自表示损失的公式如下：

47、；

48、其中，为求对角矩阵的函数；表示源域中心数；

49、所述重构损失的公式如下：

50、；

51、其中，为图卷积解码器输出的源域中心的重构特征，为图卷积解码器输出的目标域中心的重构特征。

52、进一步的，将所述源域中心和目标域中心的内容感知嵌入表示输入u-net解码器，结合分割标签进行聚类约束，并利用目标域图像重构损失约束，输出最终分割结果，包括：

53、将优化后的源域中心的内容感知嵌入表示输入 3×3卷积层和 softmax函数，得到预测概率矩阵 ，其中为3×3卷积层，所述预测概率矩阵反映每个像素属于心室、心房、心肌或背景的概率；

54、将 上采样到原始图像尺寸后，使用第一交叉熵损失计算逐像素分类精度：

55、；

56、其中，为一张源域图中像素数，为预测概率矩阵上采样到原始图像尺寸预测概率矩阵，为像素的真实标签；

57、引入柯西-施瓦茨散度作为聚类损失，所述聚类损失通过最大化心室、心房、心肌各类别概率分布之间的差异来增强类别可分性，公式如下：

58、；

59、其中，为分割类别数，所述分割类别包括心室、心房、心肌，为亲和矩阵，计算方式为，为预测概率矩阵的第个通道；为预测概率矩阵的第个通道；为转置符号；

60、将优化后的源域中心的内容感知嵌入表示输入u-net解码器，获得源域中心的预测分割结果，并使用第二交叉熵损失计算逐像素分类精度：

61、；

62、其中， 表示中的第个像素；

63、将目标域中心的内容感知嵌入表示输入u-net解码器，重建目标域图像，引入重构损失，公式如下：

64、；

65、构建总损失函数，用于对所述u-net编码器、u-net解码器进行联合优化训练，公式如下：

66、；

67、其中为损失权重；

68、训练完成后，将目标域中心的内容感知嵌入表示输入训练好的u-net解码器，获得目标域中心的预测分割结果，作为最终分割结果输出。

69、第二方面本发明提供一种跨中心超声图像分割系统，用于实现前述任一项所述的跨中心超声图像分割方法，所述系统包括：

70、数据获取模块，用于获取跨中心的超声图像数据集，所述超声图像数据集包括带有分割标签的源域中心数据和无分割标签的目标域中心数据，所述源域中心数据和目标域中心数据均为包含心脏解剖结构的超声图像，所述心脏解剖结构包括心室、心房、心肌；

71、特征提取模块，用于将包含所述源域中心数据和目标域中心数据的超声图像分别输入u-net编码器，对应提取得到源域中心的浅层特征和深层特征、目标域中心的浅层特征和深层特征，所述浅层特征和深层特征用于表征心脏解剖结构的纹理形态与空间结构；

72、双层特征对齐模块，用于将所述源域中心的浅层特征和深层特征、目标域中心的浅层特征和深层特征分别输入图卷积网络，对应获得源域中心的浅层图特征和深层图特征、目标域中心的浅层图特征和深层图特征，所述图特征用于建模心脏解剖结构之间的解剖拓扑关联；

73、特征融合模块，用于将所述源域中心的浅层图特征和深层图特征、目标域中心的浅层图特征和深层图特征进行融合，获得源域中心和目标域中心的多中心共有特征，所述共有特征用于对齐不同中心间心脏解剖结构的表观特征与拓扑特征；

74、图自表示学习模块，用于将所述源域中心和目标域中心的多中心共有特征输入图卷积编码器，进行图自表示学习，获得源域中心和目标域中心的内容感知嵌入表示，所述内容感知嵌入表示用于强化心脏解剖结构的拓扑细节；

75、聚类对齐模块，用于将所述源域中心和目标域中心的内容感知嵌入表示输入u-net解码器，结合分割标签进行聚类约束，并利用目标域图像重构损失约束，输出最终分割结果，所述最终分割结果为对心脏解剖结构的像素级分割结果。

76、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述中任一项所述方法的步骤。

77、第四方面，本发明提供一种电子设备，包括：

78、存储器，用于存储计算机程序/指令；

79、处理器，用于执行所述计算机程序/指令以实现前述中任一项所述方法的步骤。

80、第五方面，本发明提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现前述中任一项所述方法的步骤。

81、与现有技术相比，本发明所达到的有益效果：

82、本发明提供一种跨中心超声图像分割方法、系统及存储介质，将包含所述源域中心数据和目标域中心数据的超声图像分别输入u-net编码器提取浅层特征和深层特征，再分别输入图卷积网络获得浅层图特征和深层图特征并进行融合得到多中心共有特征，实现表观特征与解剖拓扑特征的协同对齐，有效抵消跨中心设备差异和扫描参数异质性带来的影响；通过将多中心共有特征输入图卷积编码器进行图自表示学习，获得内容感知嵌入表示，强化局部解剖结构的拓扑细节建模，使特征表达更贴合临床解剖学规律；通过将内容感知嵌入表示输入u-net解码器，结合分割标签进行聚类约束并利用目标域图像重构损失约束，精准量化特征与分割标签的一致性，同时保留目标域特征细节，最终输出精确分割结果，显著提升跨中心超声图像分割的泛化能力、边界精度及对复杂解剖结构的适应性。