一种基于时序注意力LSTM的动态心肌灌注评估方法与流程

本发明涉及医学影像分析与深度学习，尤其涉及一种基于时序注意力lstm的动态心肌灌注评估方法。

背景技术：

1、心肌声学造影mce是评估心肌微循环灌注的重要无创影像技术，通过静脉注射微泡造影剂并结合超声成像，能够实时观察心肌组织的造影剂充盈和冲刷过程，为冠心病、心肌微循环障碍等疾病的诊断提供关键依据；现有mce灌注分析系统通常包含心肌分割模块、flash帧检测模块、时间-强度曲线tic提取模块、参数拟合模块以及静态评估模块；

2、然而，现有系统存在以下明显缺陷：

3、flash帧检测误检率较高：现有flash帧检测方法仅依赖全局灰度统计特征，当超声图像中扇形区域外的噪声或伪影干扰较强时，极易将正常帧误判为flash帧或将真正的flash帧漏检，现有方法的误检率约为15%，严重影响后续灌注分析的准确性；

4、tic曲线拟合缺乏有效的兜底机制，成功率偏低：现有方法对每个心肌节段独立进行tic曲线拟合和参数优化，当某一节段的tic曲线因图像噪声、呼吸运动伪影或造影剂充盈不佳而导致拟合失败时，缺乏有效的补救措施，导致整体灌注评估成功率仅为85%左右；

5、各心肌节段独立分析，忽略了节段间的时序关联与空间关联性：现有方法将7个心肌节段视为相互独立的分析单元，分别提取灌注参数后进行独立评估，未能建模不同节段之间在生理上的灌注时序依赖关系；实际上，相邻心肌节段由同一冠状动脉分支供血，其灌注动态具有高度的时空相关性，独立分析丢失了这部分重要信息；

6、评估方法局限于静态参数，未能充分利用时序动态信息：现有方法仅基于拟合得到的静态灌注参数进行缺血判断，未能利用mce视频序列中完整的充盈-冲刷时序动态过程所蕴含的丰富诊断信息。

7、产生上述缺陷的根本原因在于：flash帧检测仅依赖全局灰度统计阈值，缺乏多维度联合判定的鲁棒策略；tic拟合采用逐节段独立优化的方式，未建立节段间的参数共享与互补机制；传统分析方法未建模节段间灌注的时序依赖关系，缺乏能够同时捕捉时空关联的深度学习模块。

8、近年来，深度学习技术在医学影像分析领域取得了显著进展，将循环神经网络rnn和长短期记忆网络lstm用于时序医学信号的处理，注意力机制也被引入了心脏功能评估中，通过赋予不同时间点和空间区域不同的权重聚焦关键特征；然而，现有技术尚未提供一种能够同时建模mce灌注时序动态和心肌节段间空间关联的端到端评估方法。

技术实现思路

1、有鉴于此，本发明提供一种基于时序注意力lstm的动态心肌灌注评估方法，解决现有mce灌注评估方法中flash帧检测准确率低、tic拟合缺乏兜底机制、忽视节段间时序关联以及未充分利用时序动态信息的问题，构建端到端的深度学习评估框架，实现灌注参数的精准提取与心肌缺血的智能诊断。

2、为实现上述目的，本发明提供一种基于时序注意力lstm的动态心肌灌注评估方法，其特征在于，包括以下步骤：

3、s1、获取mce超声造影视频序列，每帧图像尺寸为，利用预训练的u-net分割模型对每帧mce图像进行心肌分割，得到7个心肌节段的二值掩码；

4、s2、对每帧mce图像进行多维度flash帧检测，剔除mce视频序列中的flash帧；

5、s3、逐节段计算剔除flash帧mce视频序列中每个时间点的平均灰度强度，采用自适应savitzky-golay滤波器对每条时间-强度曲线tic进行去噪处理；

6、s4、采用修正指数模型对去噪后的每条时间-强度曲线tic进行参数拟合，提取峰值强度、灌注速率和达峰时间三个灌注参数；

7、s5、构建智能兜底机制，当节段的时间-强度曲线tic拟合失败，执行两级兜底策略：

8、优先使用节段在历史帧中的有效拟合参数均值；

9、若节段不存在历史有效值，则使用相邻阶段的有效参数均值进行填充；

10、s6、对双向lstm时序编码：将所有阶段的灌注参数序列输入双向lstm编码器，正向lstm捕获从充盈开始到flash冲刷的时序动态，反向lstm捕获从冲刷结束到充盈恢复的反向时序特征，每个时间步的输出为正向隐状态和反向隐状态的拼接，维度为256；

11、s7、对双向lstm编码器输出的隐状态序列施加时间注意力，得到注意力权重，通过上下文向量获得时序聚合表示；

12、s8、将7个节段的特征向量构建空间注意力矩阵，捕获节段间的灌注相关性；

13、s9、将所述上下文向量和空间注意力矩阵输出进行特征融合，分别输入参数回归头、缺血分类头和异常检测头进行多任务输出，最终输出灌注参数向量、缺血概率和异常节段标记向量。

14、优选地，7个心肌节段包括前壁、侧壁、下壁、后壁、室间隔、心尖和心尖下。

15、优选地，所述多维度flash帧检测具体包括：

16、s201、对每帧mce图像进行灰度阈值处理，提取扇形有效区域的像素集合；

17、s202、计算三个维度的flash指标，包括白色比例、近白比例以及平均亮度；

18、所述白色比例表达式为：

19、；

20、其中，表示灰度值大于200的像素数，表示扇形区域总像素数；

21、所述近白比例表达式为：

22、；

23、其中，表示灰度值大于180的像素数；

24、所述平均亮度表达式为：

25、；

26、s203、将三个维度的flash指标分别与预设阈值比较；

27、当同时满足：白色比例、近白比例且平均亮度时，判定当前帧为flash帧；

28、s204、剔除mce视频序列中的flash帧。

29、优选地，所述自适应savitzky-golay滤波器的窗口长度根据信号噪声水平自适应调整，范围为5至21。

30、优选地，所述修正指数模型表达式为：

31、；

32、其中，表示峰值强度，反映心肌灌注量，表示灌注速率，反映微循环血流速度，表示时间步，表示基线偏移量；

33、采用levenberg-marquardt非线性最小二乘法进行拟合，提取峰值强度、灌注速率和达峰时间三个灌注参数，所述达峰时间表达式为：

34、。

35、优选地，所述注意力权重表达式为：

36、；

37、其中，表示注意力权重，反映了每个时间步对最终灌注评估的重要性，表示，表示可学习参数，维度为256维，表示偏置参数；

38、通过上下文向量获得时序聚合表示。

39、优选地，所述空间注意力矩阵表达式为：

40、；

41、其中，表示每个节段的特征，表示的空间注意力矩阵，表示特征维度数。

42、优选地，所述参数回归头通过全连接层和relu激活函数预测峰值强度、灌注速率和达峰时间三个灌注参数，优化均方误差回归损失，所述缺血分类头通过全连接层和sigmoid激活函数输出缺血概率，优化二院交叉熵分类损失，所述异常检测头通过全连接层和sigmoid激活函数输出7个节段的异常概率向量，优化异常检测损失；

43、构建总损失函数，表达式为：

44、；

45、其中，、、表示损失权重；

46、输出灌注参数向量、缺血概率和异常节段标记向量。

47、优选地，所述缺血概率的范围为，所述异常节段标记向量每个值的范围为。

48、与现有技术相比，本发明的有益效果是：

49、本发明通过构建白色比例、近白比例与平均亮度三个维度联合判定的flash帧检测策略，有效克服了传统单维度全局灰度统计方法的缺陷，将flash帧检测准确率从85%大幅提升至95.5%，从源头保障了后续灌注分析的可靠性；通过构建历史帧参数均值填充与相邻节段参数均值填充的两级智能兜底机制，使灌注评估整体成功率由85%提升至96.2%，显著增强了系统在临床复杂工况下的鲁棒性，解决了tic曲线拟合失败的问题；在此基础上，本发明摒弃了传统方法仅依赖静态灌注参数的局限，采用双向lstm对mce视频序列中完整的充盈-冲刷时序过程进行双向编码，配合时间注意力机制自动聚焦于灌注高峰期、冲刷期等关键时间点，充分挖掘了时序动态信息中蕴含的诊断价值；同时引入空间注意力机制，通过7×7空间注意力矩阵建模不同心肌节段之间的灌注相关性，使模型能够利用相邻节段的灌注信息进行综合推理判断；通过参数回归、缺血分类与异常检测三个任务联合优化的多任务学习框架，实现了灌注参数定量、缺血概率评估与异常节段定位的端到端同步输出，为临床心肌灌注评估提供了一套准确、鲁棒且具备良好解释性的智能化解决方案。