一种基于心肌几何先验与图像反馈校正的心肌运动追踪方法与流程

本发明涉及一种基于心肌几何先验与图像反馈校正的心肌运动追踪方法，属于计算机人工智能领域。

背景技术：

1、心肌运动状态能够反映心脏组织在收缩和舒张过程中的动态变化，是评价心脏功能状态以及辅助心血管疾病诊断的重要依据。相比传统基于整体心功能参数（如射血分数ef、每搏输出量sv等）的评价方式，局部心肌运动信息能够更加敏感地反映心肌功能异常。因此，如何准确、快速、无创地获取心肌组织的运动信息成为医学影像分析领域的重要研究方向。

2、目前，心肌运动追踪方法主要包括基于图像特征匹配的方法、基于形变约束的方法以及基于深度学习的方法。其中，二维斑点追踪技术通过检测超声心动图像中的散斑纹理变化，建立相邻图像帧之间局部组织区域的对应关系，从而获取心肌运动信息；基于形变约束的方法通常通过构建图像相似性约束、运动平滑约束或预定义形变模型，对连续图像帧之间的位移进行优化求解；随着深度学习技术的发展，基于神经网络的运动估计方法逐渐应用于心肌运动分析领域，通过学习影像序列中的特征变化关系，实现心肌稠密运动场预测。

3、然而，上述方法大多依赖图像纹理信息、局部特征匹配或像素级对应关系进行运动估计，缺少针对心肌组织几何结构和拓扑关系的显式约束。在实际应用过程中，医学影像通常存在低信噪比、弱纹理区域以及复杂非刚性形变等问题，容易导致局部运动估计不准确、运动场空间连续性不足以及部分区域产生不符合心肌组织结构规律的异常形变。部分基于形变模型的方法虽然引入先验约束提高运动估计稳定性，但其先验通常依赖人工设定的参数化模型，难以根据不同个体心肌形态差异自适应表达复杂局部运动变化。

4、由于心肌组织具有明确的空间结构和拓扑连接关系，其运动变化具有一定的连续性和区域一致性。因此，如何利用心肌几何结构先验信息降低运动估计的不确定性，并结合图像信息对运动结果进行反馈校正，实现整体解剖结构一致性与局部运动细节表达能力的统一，仍是医学影像分析领域需要进一步解决的问题。

5、现有技术存在如下技术问题：

6、1）现有技术在连续医学影像序列中心肌运动追踪过程中，难以同时保证运动估计结果的整体解剖结构一致性、局部运动细节表达能力以及复杂运动条件下的准确性，容易产生运动估计偏差。

7、2）现有技术缺少针对心肌几何形态及空间拓扑结构的有效约束，在弱纹理、低信噪比以及复杂非刚性形变情况下，容易产生局部运动估计偏差以及不符合心肌组织运动规律的异常形变。

8、3）现有技术对心肌区域内部空间关系建模不足，难以充分利用不同位置之间的运动关联信息，在局部区域运动存在差异时，容易导致运动估计不连续。

9、4）现有技术缺少基于运动补偿结果与目标图像差异信息的反馈校正机制，当初始运动估计存在局部误差时，难以利用图像反馈信息对运动估计结果进行动态修正。

技术实现思路

1、本发明正是针对现有心肌运动追踪方法在连续医学影像序列分析过程中存在的运动估计结果结构一致性不足、局部运动信息表达能力有限以及运动误差难以进一步校正等问题，提供了一种基于心肌几何先验与图像反馈校正的心肌运动追踪方法。该方法利用心肌区域自身具有的几何形态和空间拓扑特征构建结构化运动约束，并结合运动补偿后的图像反馈信息对初始运动估计结果进行动态修正，从而实现心肌运动估计过程中结构先验信息与影像动态信息的有效融合，提高心肌运动追踪结果的准确性、连续性和稳定性。

2、具体地，该方法通过引入心肌几何先验信息，将心肌区域的空间结构特征融入运动估计过程，使运动结果能够更加符合心肌组织的解剖特征；同时利用运动估计结果产生的图像反馈信息，对初始运动结果中的局部误差进行校正，使运动估计过程形成基于影像信息的反馈优化机制，从而获得更加准确且符合心肌运动规律的稠密运动场。本发明是通过以下技术方案来实现的：

3、本发明公开了一种基于心肌几何先验与图像反馈校正的心肌运动追踪方法，包括：

4、s1：获取连续心动周期的医学影像序列，从医学影像序列中选取参考帧图像与目标帧图像，并获取参考帧图像与目标帧图像的心肌区域分割掩码；

5、s2：根据参考帧图像的心肌区域分割掩码构建二维心肌几何网格模型，二维心肌几何网格模型包括网格节点、网格边以及网格单元；

6、s3：根据二维心肌几何网格模型中网格节点的空间位置信息，在参考帧图像和目标帧图像中提取对应的局部图像特征，结合网格节点的空间位置信息，输入位移预测网络，预测各网格节点的二维运动位移；

7、s4：根据各网格节点的二维运动位移和二维心肌几何网格模型中的网格单元，将各网格节点的二维运动位移映射至心肌区域，生成初始稠密运动场；

8、s5：利用初始稠密运动场对参考帧图像进行运动补偿，获得运动补偿图像，根据目标帧图像与运动补偿图像之间的差异获得图像反馈残差；

9、s6：根据初始稠密运动场和图像反馈残差，通过残差修正模型获得局部残差修正量；

10、s7：根据局部残差修正量对初始稠密运动场进行修正，生成最终心肌稠密运动场。

11、作为进一步的改进，本发明所述的步骤s2中，根据参考帧图像的心肌区域分割掩码构建二维心肌几何网格模型包括：

12、提取参考帧图像的心肌区域分割掩码中的内膜边界轮廓和外膜边界轮廓，对内膜边界轮廓和外膜边界轮廓进行采样，生成边界网格节点，并在心肌区域分割掩码内部区域采样生成内部网格节点；

13、对边界网格节点和内部网格节点进行受限三角剖分，生成二维心肌几何网格模型；二维心肌几何网格模型表示为 ，其中  表示网格节点集合， 表示网格边集合， 表示网格单元集合。

14、作为进一步的改进，本发明所述的步骤s3中，预测各网格节点的二维运动位移包括：

15、根据各网格节点的空间位置，在参考帧图像和目标帧图像中分别提取以各网格节点为中心的局部图像区域，并采用卷积神经网络提取局部图像特征；

16、将局部图像特征与网格节点空间位置信息进行融合，获得各网格节点的节点特征；

17、将节点特征输入图神经网络，并根据网格边对应的拓扑关系进行特征传播，获得更新后的节点特征；

18、将更新后的节点特征输入位移预测网络，获得各网格节点对应的二维运动位移。

19、作为进一步的改进，本发明所述的步骤s4中，生成初始稠密运动场包括：

20、确定心肌区域分割掩码对应区域内待插值像素点所在的网格单元；

21、计算待插值像素点相对于网格单元中三个网格节点的重心坐标；

22、根据重心坐标，对网格单元中三个网格节点对应的二维运动位移进行加权求和，获得待插值像素点处的运动位移，并由心肌区域分割掩码对应区域内各待插值像素点处的运动位移形成初始稠密运动场。

23、作为进一步的改进，本发明所述的步骤s6中，残差修正模型包括轻量级卷积特征提取模块和隐式神经网络，其构建与预测过程包括：

24、根据初始稠密运动场中各像素位置的坐标进行编码，获得位置特征，并将位置特征、局部图像特征、初始稠密运动场对应位置处的运动位移以及图像反馈残差进行融合，得到隐式神经网络的输入特征；

25、将输入特征输入由多层感知机构成的隐式神经网络，预测获得各像素位置对应的局部残差修正量。

26、作为进一步的改进，本发明所述的s3位移预测网络与s6运动残差修正模型采用联合训练方式：

27、联合训练过程中的总损失函数表示为：

28、；

29、其中，表示用于位移预测网络输出的网格运动一致性损失，表示用于残差修正模型输出的残差修正损失，表示用于最终心肌稠密运动场的运动一致性损失，、以及分别表示对应损失项的权重系数。

30、作为进一步的改进，本发明所述的网格运动一致性损失用于约束位移预测网络，其表示为：

31、 ；

32、其中，为网格边集合，与分别为相邻网格节点与对应的二维运动位移；

33、残差修正损失用于约束残差修正模型，其表示为：

34、；

35、其中，为心肌区域的像素位置集合，为像素处的局部残差修正量。

36、作为进一步的改进，本发明所述的运动一致性损失包括图像相似性损失、运动场平滑约束损失以及网格形变约束损失：

37、图像相似性损失表示为：

38、；

39、其中，为目标帧图像，为参考帧图像，为最终心肌稠密运动场， 表示按照运动场 对图像进行运动补偿，表示归一化互相关系数。

40、运动场平滑约束损失表示为：

41、；

42、其中，为像素位置处最终心肌稠密运动场的空间梯度。

43、作为进一步的改进，本发明所述的网格形变约束损失，其表示为：

44、网格形变约束损失根据形变后三角网格单元的面积避免网格单元翻转：

45、；

46、其中，表示二维心肌网格模型的网格单元，表示形变后三角网格单元的有向面积。

47、本发明的有益效果如下：

48、（1）通过引入心肌几何先验信息，将参考帧心肌区域构建为包含网格节点、网格边以及网格单元的二维网格模型，利用网格节点之间的空间拓扑连接关系显式描述心肌组织内部的几何结构约束。相比现有技术容易产生异常运动的问题，本发明能够利用心肌解剖结构先验约束整体运动趋势，提高运动场的空间连续性和结构合理性。实验结果表明，仅采用基于心肌几何网格模型生成初始稠密运动场，心肌区域重叠相似度指标（dice）由未配准状态下的56.12%提升至75.60%，提升19.48个百分点，95%豪斯多夫距离（hd95）由6.68 mm降低至4.20 mm，降低2.48 mm，表明所述几何先验约束能够有效改善心肌区域空间对齐效果。

49、（2）通过利用二维心肌几何网格模型中的节点连接关系，将网格节点空间位置特征、局部图像特征以及网格拓扑信息进行融合，并基于网格边对应的拓扑关系进行特征传播，使不同空间位置之间的运动信息能够相互关联。相比现有技术中缺少心肌内部空间关系建模、局部区域运动容易出现不连续的问题，本发明能够利用心肌组织内部的拓扑关联性约束节点运动变化，使预测得到的运动结果更加符合连续形变规律，降低局部异常运动产生的可能性。在不同运动跨度条件下进行测试时，当运动偏移增加至14时，未配准结果dice降低至70.29%，而采用本发明方法后仍保持81.13%，表明所述约束机制能够提高复杂运动条件下的追踪稳定性。

50、（3）通过根据网格节点预测得到的离散运动位移，并结合网格单元结构采用基于重心坐标的空间插值方法，将离散节点运动信息连续映射至整个心肌区域，生成覆盖心肌区域的初始稠密运动场。该方式能够保持心肌运动场的连续表达能力，同时避免传统运动估计方法中容易出现局部运动不连续的问题。在几何先验运动估计基础上，心肌区域dice达到75.60%，归一化互相关系数(ncc)由未配准状态下的0.37提升至0.46，验证了基于网格结构生成稠密运动场能够有效提高运动估计的一致性。

51、（4）通过引入基于图像反馈残差的运动校正机制，利用初始稠密运动场对目标帧图像进行运动补偿，并根据参考帧图像与运动补偿图像之间的差异获得图像反馈残差，再基于所述反馈残差预测局部残差修正量，对初始运动场进行动态优化。相比现有技术中缺少利用运动结果与图像变化关系进行反馈修正的问题，本发明能够进一步补偿几何模型难以表达的局部微小形变，提高局部运动细节表达能力。实验结果表明，在加入图像反馈残差校正后，最终dice达到82.20%，相比未配准结果提高26.08个百分点，相对提升46.67%；ncc达到0.62，相比未配准结果提升67.57%；结构相似性指数（ssim）达到0.81，峰值信噪比（psnr）达到34.33db，说明图像反馈校正机制能够进一步降低局部运动误差，提高运动估计精度和图像一致性。

52、（5）通过融合基于心肌几何先验获得的大尺度运动信息与基于图像反馈获得的小尺度残差运动信息，形成结构约束与影像驱动相结合的运动追踪框架，在保证整体解剖结构一致性的基础上，提高复杂运动区域的适应能力。与现有医学图像配准及心肌运动估计方法相比，本发明方法平均dice达到82.20%，高于voxelmorph方法的80.27%、deeptag方法的81.15%以及diffusemorph方法的80.56%；同时hd95降低至3.73 mm，psnr达到34.33 db，表明本发明方法在心肌运动追踪准确性和图像配准一致性方面具有更好的综合性能。

53、（6）通过采用基于心肌几何结构信息与医学影像信息融合的运动追踪方式，使该方法能够适用于不同类型的心脏医学影像序列，包括超声心动图像序列和心脏磁共振电影图像序列，为心肌功能评价、局部运动异常检测以及心血管疾病辅助分析提供更加准确可靠的运动信息，提高了方法的实际应用价值。