基于关键点检测的颈动脉斑块回声分类方法

1.本发明属于计算机领域，具体涉及一种对医学影像中颈动脉斑块进行检测和回声分类的方法。


背景技术：

2.心血管疾病已经成为了世界上死亡率最高的疾病之一。颈动脉粥样硬化斑块，简称颈动脉斑块，是导致心血管事件的一个重要因素。颈动脉斑块是由脂质、细胞外基质、巨噬细胞、堆积在动脉血管壁上的平滑肌细胞相互作用而产生。当斑块破裂，由血小板聚集体或者斑块碎片组成的动脉粥样硬化血栓栓塞可能进入大脑，阻塞较小的动脉，导致缺血性发作或者中风。容易破损的斑块成为易损斑块或者不稳定斑块。斑块的稳定性与斑块的组成成分与组织结构相关，富含钙质且表面光滑的斑块偏向于是稳定斑块，相反，富含脂质、表面粗糙的斑块偏向于是不稳定斑块。目前诊断颈动脉斑块的手段主要包括颈动脉超声超声、计算机体层成像、核磁共振、数字剪影血管造影术等。超声由于其便捷、低廉、无辐射、无创伤等特点成为应用最广泛的颈动脉检查手段。
3.医生可以根据颈动脉超声检查，实时地观察到患者的血管形态、斑块形态。通过简单的标注能医生能得到斑块更多的技术指标，例如斑块的狭窄率、斑块大小等，进而做出诊断。通常，医生根据斑块的回声类型，将斑块分为强回声斑块、混合回声斑块及低回声斑块。其中强回声斑块一般比较稳定，低回声斑块不稳定，而混合回声斑块的稳定性介于两者之间。然而，由于在颈动脉超声影像中劲动脉斑块相对于整张图像的占比较低，约为百分之二，且存在着不规则分布的伪影、散斑噪声、低对比度和局部灰度变化等困难，所以利用计算机技术进行超声中的斑块回声类型分类仍然是一项挑战。


技术实现要素：

4.本发明要解决的技术问题是：超声影像中斑块大小较小而带来的斑块特征提取困难的问题。本发明的目的在于通过关键点检测技术，从而结合斑块的全局和局部特征，提出一种基于关键点检测的颈动脉斑块回声分类方法，该模型可以缓解超声影像中斑块大小较小而带来的斑块特征提取困难，并且能差别利用斑块区域和整张超声图形的有效信息，能用于单斑块的颈动脉超声图像的回声分类。
5.为达到上述目的，本发明的构思是：首先对超声图像进行预处理，去除无关信息。然后利用关键点定位技术确定斑块大致位置。最后定位的基础上提取超声图像关于斑块的全局和局部特征并实现斑块分类。
6.本发明的技术方案：
7.一种基于关键点检测的颈动脉斑块回声分类方法，其特征在于包括：
8.a.数据预处理：对超声图像的非成像区域进行裁剪，并归一化超声图现象；
9.b.定位标签生成：根据颈动脉超声斑块中心点的标注，利用一个非标准的二维正态分布生成用于定位的热图标签；
10.c.建立斑块定位子网络：将一个斑块视作一个点，利用关键点定位技术建立斑块定位子网络，完成颈动脉斑块中心点定位；
11.d.建立斑块分类子网络：在斑块定位子网络产出结果的基础上提取斑块的全局和局部特征，结合去冗余技术建立斑块分类子网络,完成颈动脉斑块回声分类。
12.步骤b中以d
xy
表示定位标签在(x,y)位置的值，生成的定位标签可如下定义：
[0013][0014]
其中(x0，y0)表示斑块的中心位置，radius表示惩罚半径。
[0015]
步骤c中：斑块定位子网络先采用卷积和池化层将超声图像转化为128通道的特征层，再将这128通道的特征层组通过残差块和池化层下采样三次，然后通过残差块与最近邻插值进行上采样恢复分辨率，相同分辨率下采样与上采样层的特征通过残差块进行连接；最后通过卷积层将特征通道归为1，输出颈动脉斑块定位热图。
[0016]
步骤d中：斑块分类子网络分为多分支特征提取模块、正交融合模块和带权多损失模块三个模块，首先通过多分支特征提取模块分别提取斑块区域的高清细节特征以及超声图像全图的整体特征；然后正交融合模块将细节特征与整体特征通过正交方式剔除冗余信息并进行特征融合；最后带权多损失模块将全局分支、局部分支和融合分支的分类结果利用加权损失的方式进行约束，进行区别性的训练。
[0017]
多分支特征提取模块采用全局分支和局部分支的多分支设计，全局分支以调整大小后的颈动脉斑块超声图像和颈动脉斑块的定位热图的拼接后的四通图像为输入，局部分支以颈动脉斑块超声原图像斑块区域的裁剪图像为输入，两分支具有相同的结构，都为四层的双卷积 池化结构。
[0018]
正交融合模块以多分支特征提取模块最后一个池化层经过展平后的输出为输入，经过正交约束后使用拼接方式进行融合，正交约束由一个正交损失(l
orth
)进行实现，具体定义如下：
[0019][0020]
其中f1＝[α1，α1，...，αn]，f2＝[β1，β1，...，βn]分别为全局和局部分支分类层前经过展平操作后的特征，θ为f1、f2的夹角。
[0021]
带权多损失模块由带权的全局分支损失、局部分支损失、融合分支损失及正交损失组成，全局、局部、融合分支损失都使用交叉熵损失函数进行实现，交叉熵损失函数定义如下：
[0022][0023]
其中i表示斑块类别，y＝[y0，y1，y2]表示斑块类别标签，p＝[p0，p1，p2]表示模型的预测概率，模型分类总损失定义如下：
[0024]
l
classification
＝w1lg w2l
l
w3lf w4l
orth
[0025]
其中w1、w2、w3、w4为权重。
[0026]
数据集中最大斑块的长度为l，定位标签中高斯分布的半径取l/2；w1、w2、w3、w4分别取0.1、1、0.1、0.4。
[0027]
本发明的有益效果是：
[0028]
1.传统的颈动脉超声斑块回声分类方法，要么直接利用现有分类模型没有照顾到斑块前景占比较小的实际情况导致分类准确率低下，要么需要先对斑块进行分割或者检测，这需要繁重的数据标注才能进行模型训练。新提出的基于关键点检测的颈动脉斑块回声分类方法，利用关键点定位技术定位斑块的中心位置，并结合去冗余等技术，避免了对数据的分割或者检测框的繁重标注，并且提高了颈动脉超声斑块回声分类的精度
[0029]
2.该方法使用多分支多损失充分提取了斑块的局部特征与全局特征。
[0030]
3.该方法使用正交去冗余方式，有效减少了局部特征与全局特征的冗余性。
附图说明
[0031]
图1是三种不同回声类型斑块超声图像典型示例。a为强回声斑块超声图像，b为混合回声斑块超声图像，c为低回声斑块超声图像。
[0032]
图2时本发明的基于关键点检测的颈动脉斑块回声分类方法的整体框架图。
[0033]
图3是本发明的基于关键点检测的颈动脉斑块回声分类方法中分类子网络的单分支配置结构图。
[0034]
图4列出了选择w1、w2、w3、w4最优取值的中间实验结果。
[0035]
图5列出了定位子网络在不同的定位标签高斯分布半径下的定位性能对比情况。
[0036]
图6列出了不同沙漏模块叠加时定位子网络的定位性能对比情况。
[0037]
图7列出了定位子网络在单沙漏网络下使用不同数量下采样层的定位性能对比情况。
[0038]
图8列出了分类子网络中的局部分支输入的不同切块大小的实验性能对比情况。
[0039]
图9列出了多分支特征提取模块的消融实验结果。
[0040]
图10列出了正交融合模块的消融实验结果。
[0041]
图11列出了带权多损失模块的消融实验结果。
[0042]
图12列出了使用定位网络和不使用定位网络模型性能的对比情况。
[0043]
图13列出了本发明的基于关键点检测的颈动脉斑块回声分类方法与其他七种流行分类方法的性能对比情况。
具体实施方式
[0044]
实施例1：
[0045]
基于关键点检测的颈动脉斑块回声分类方法，通过关键点检测卷积神经网络定位斑块大致位置，并结合斑块的全局和局部特征，建立一种精度高的颈动脉斑块回声分类深度学习模型。该模型可以缓解超声影像中斑块大小较小而带来的斑块特征提取困难，并且能差别利用斑块区域和整张超声图形的有效信息，能用于单斑块的颈动脉超声图像的回声分类。具体步骤如下：
[0046]
a.数据预处理：对超声图像的非成像区域进行裁剪，并归一化超声图现象；
[0047]
b.定位标签生成：根据医生对颈动脉超声斑块中心点的标注，利用一个非标准的
二维正态分布生成用于定位的热图标签；
[0048]
c.建立斑块定位子网络：将一个斑块视作一个点，利用关键点定位技术建立斑块定位子网络，完成颈动脉斑块中心点定位；
[0049]
d.建立斑块分类子网络：在斑块定位子网络产出结果的基础上提取斑块的全局和局部特征，结合去冗余技术建立斑块分类子网络，完成颈动脉斑块回声分类；
[0050]
所述步骤b的根据医生对颈动脉超声斑块中心点的标注，利用一个非标准的二维正态分布生成用于定位的热图标签，具体步骤如下：
[0051]
b1.医生对斑块中心的标注为一个点坐标，然而斑块却是一片不规则区域。在训练时不是直对斑块的中心点施加惩罚，而是对以斑块中心点为中心在一定惩罚半径内向外逐渐减少惩罚。惩罚衰减的数量由一个非标准的二维高斯分布给出。以d
xy
表示定位标签在(x，y)位置的值，生成的定位标签可如下定义：
[0052][0053]
其中(x0，y0)表示斑块的中心位置，radius表示惩罚半径。
[0054]
所述步骤c的将一个斑块视作一个点，利用关键点定位技术建立斑块定位子网络，具体步骤如下：
[0055]
c1.作为基于关键点检测的颈动脉斑块回声分类方法的第一部分，斑块定位子网络的输入为颈动脉斑块超声图像，输出为颈动脉斑块的定位热图。这部分模型的具体实现参考了stacked hourglass模型实现方式。但考虑到颈动脉超声图像与自然图像的差异，我们舍弃了stacked hourglass中的堆叠方式，采用单个hourglass模块，并且降低了hourglass模块中下采样的次数。具体为，先采用卷积和池化层将超声图像转化为128通道的特征层，再将这128通道的特征层组通过残差块和池化层下采样三次，然后通过残差块与最近邻插值进行上采样恢复分辨率，相同分辨率下采样与上采样层的特征通过残差块进行连接。最后通过卷积层将特征通道归为1，输出颈动脉斑块定位热图(h)。
[0056]
所述步骤d的在斑块定位子网络产出结果的基础上提取斑块的全局和局部特征，建立斑块分类子网络，具体步骤如下：
[0057]
d1.作为基于关键点检测的颈动脉斑块回声分类方法的第二部分，斑块分类子网络的输入为颈动脉斑块超声原图像斑块区域的裁剪图像(ic)、调整大小后的颈动脉斑块超声图像(ir)、颈动脉斑块的定位热图(h)，输出为颈动脉斑块回声类别。这一架构把模型分为三个模块，即多分支特征提取模块，正交融合模块和带权多损失模块。框架首先通过多分支特征提取模块分别提取斑块区域的高清细节特征以及超声图像全图的整体特征；然后正交融合模块将细节特征与整体特征通过正交方式剔除冗余信息并进行特征融合；最后带权多损失模块将全局分支、局部分支和融合分支的分类结果利用加权损失的方式进行约束，进行区别性的训练。其中：
[0058]
d11.多分支特征提取模块针对病灶区域的高清细节与整张颈动脉斑块图像的宏观信息在同一网络中难以同时提取的问题而采用全局分支和局部分支的多分支设计。全局分支以调整大小后的颈动脉斑块超声图像和颈动脉斑块的定位热图的拼接后的四通图像为输入，局部分支以颈动脉斑块超声原图像斑块区域的裁剪图像为输入，两分支具有相同
的结构，都为四层的双卷积 池化结构.
[0059]
d12.正交融合模块采用正交的思想来减少全局特征与局部特征的冗余性。全局分支和局部分支的输入都包括斑块区域图像，而形成诊断判断的主要信息就来自于斑块区域图像。所以生成的全局特征与局部特征具有高度的冗余性。为了减少这种冗余性，正交融合模块以多分支特征提取模块最后一个池化层经过展平后的输出为输入，经过正交约束后使用拼接方式进行融合。正交约束由一个正交损失(l
orth
)进行实现，具体定义如下：
[0060][0061]
其中f1＝[α1，α1，...，αn]，f2＝[β1，β1，...，βn]分别为全局和局部分支分类层前经过展平操作后的特征，θ为f1、f2的夹角。
[0062]
d13.带权多损失模块由带权的全局分支损失、局部分支损失、融合分支损失及正交损失组成。局部分支和全局分支由于输入的数据不同，生成的特征质量具有差别。其中斑块区域图像应当为判别的主要依据，非斑块区域图像应当为判别的辅助依据。在进行约束时，对局部的错误应该加大惩罚，对全局分支的错误应该减少惩罚，正交损失应该选择合适比例避免喧宾夺主，影响有效特征提取。全局、局部、融合分支损失都使用交叉熵损失函数进行实现。交叉熵损失函数定义如下：
[0063][0064]
其中i表示斑块类别，y＝[y0，y1，y2]表示斑块类别标签，p＝[p0，p1，p2]表示模型的预测概率。模型分类总损失定义如下：
[0065]
l
classification
＝w1lg w2l
l
w3lf w4l
orth
[0066]
根据实验，w1、w2、w3、w4分别取0.1、1、0.1，0.4。
[0067]
实施例2：本实施例中，运行实验的服务器具体配置如下：cpu为intel xeon gold 6226，显卡为两块nvidia rtx 3090gpu，內存为128gb。在建立模型方面，本多模态融合分割框架和对比模型均基于开源的深度学习工具pytorch1.7.0实现。在实验设置方面，实验选择adam作为优化算法，批大小设置为8。模型训练时，先冻结分类子网络，以0.001的学习率训练定位子网络100个epoch；然后冻结定位子网络，以0.0001的学习率训练分类子网络50个epoch；最后以0.0001的学习率微调整个网络150个epoch。在定位性能评估方面，实验中计算了预测斑块中心点与标签中斑块中心点的欧式距离(distance)、欧式距离小于30的准确率以及欧式距离小于100的准确率。在分类性能评估方面，实验通过accuracy，precision，recall，f1-score等性能指标越大，这几个指标越高代表方法的分类效果越好。
[0068]
本实施例使用的数据集采包含来自204位患者的1898张颈动脉纵切超声图像。每张图像的分辨率为540*740，并且每张图像只包含一个斑块。其中图像回声类型的标签包括强回声、混合回声、低回声，相应的图像数目分别为539、597和762。各回声类型的颈动脉超声图像典型示例如图1所示。每张图像中斑块的中心位置已经通过点标注的方式标注出来。数据集回声类型标签和斑块中心点标签都由经验丰富的专业医生制作。
[0069]
本发明的基于关键点检测的颈动脉斑块回声分类方法，如图2所示，包含以下步骤：
[0070]
a.数据预处理：对超声图像的非成像区域进行裁剪，并归一化超声图现象；
[0071]
b.根据医生对颈动脉超声斑块中心点的标注，利用一个非标准的二维正态分布生成用于定位的热图标签，具体步骤如下：
[0072]
b1.医生对斑块中心的标注为一个点坐标，然而斑块却是一片不规则区域。在训练时不是直对斑块的中心点施加惩罚，而是对以斑块中心点为中心在一定惩罚半径内向外逐渐减少惩罚。惩罚衰减的数量由一个非标准的二维高斯分布给出。以d
xy
表示定位标签在(x,y)位置的值，生成的定位标签可如下定义：
[0073][0074]
其中(x0，y0)表示斑块的中心位置，radius表示惩罚半径。
[0075]
c.建立斑块定位子网络：将一个斑块视作一个点，利用关键点定位技术建立斑块定位子网络。具体步骤如下：
[0076]
c1.作为基于关键点检测的颈动脉斑块回声分类方法的第一部分，斑块定位子网络的输入为颈动脉斑块超声图像，输出为颈动脉斑块的定位热图。这部分模型的具体实现参考了stacked hourglass模型实现方式。但考虑到颈动脉超声图像与自然图像的差异，我们舍弃了stacked hourglass中的堆叠方式，采用单个hourglass模块，并且降低了hourglass模块中下采样的次数。具体为，先采用卷积和池化层将超声图像转化为128通道的特征层，再将这128通道的特征层组通过残差块和池化层下采样三次，然后通过残差块与最近邻插值进行上采样恢复分辨率，相同分辨率下采样与上采样层的特征通过残差块进行连接。最后通过卷积层将特征通道归为1，输出颈动脉斑块定位热图。
[0077]
d.建立斑块分类子网络：在斑块定位子网络产出结果的基础上提取斑块的全局和局部特征，结合去冗余技术建立斑块分类子网络，分类子网络的单分支配置如图3所示；具体步骤包括：
[0078]
d1.作为基于关键点检测的颈动脉斑块回声分类方法的第二部分，斑块分类子网络的输入为颈动脉斑块超声原图像斑块区域的裁剪图像、调整大小后的颈动脉斑块超声图像、颈动脉斑块的定位热图，输出为颈动脉斑块回声类别。这一架构把模型分为三个模块，即多分支特征提取模块，正交融合模块和带权多损失模块。框架首先通过多分支特征提取模块分别提取斑块区域的高清细节特征以及超声图像全图的整体特征；然后正交融合模块将细节特征与整体特征通过正交方式剔除冗余信息并进行特征融合；最后带权多损失模块将全局分支、局部分支和融合分支的分类结果利用加权损失的方式进行约束，进行区别性的训练。其中：
[0079]
d11.多分支特征提取模块针对病灶区域的高清细节与整张颈动脉斑块图像的宏观信息在同一网络中难以同时提取的问题而采用全局分支和局部分支的多分支设计。全局分支以调整大小后的颈动脉斑块超声图像和颈动脉斑块的定位热图的拼接后的四通图像为输入，局部分支以颈动脉斑块超声原图像斑块区域的裁剪图像为输入，两分支具有相同的结构，都为四层的双卷积 池化结构.
[0080]
d12.正交融合模块采用正交的思想来减少全局特征与局部特征的冗余性。全局分支和局部分支的输入都包括斑块区域图像，而形成诊断判断的主要信息就来自于斑块区域
图像。所以生成的全局特征与局部特征具有高度的冗余性。为了减少这种冗余性，正交融合模块以多分支特征提取模块最后一个池化层经过展平后的输出为输入，经过正交约束后使用拼接方式进行融合。正交约束由一个正交损失(l
orth
)进行实现，具体定义如下：
[0081][0082]
其中f1＝[α1，α1，...，αn]，f2＝[β1，β1，...，βn]分别为全局和局部分支分类层前经过展平操作后的特征，θ为f1、f2的夹角。
[0083]
d13.带权多损失模块由带权的全局分支损失(lg)、局部分支损失(l
l
)、融合分支损失(lf)及正交损失组成。局部分支和全局分支由于输入的数据不同，生成的特征质量具有差别。其中斑块区域图像应当为判别的主要依据，非斑块区域图像应当为判别的辅助依据。在进行约束时，对局部的错误应该加大惩罚，对全局分支的错误应该减少惩罚，正交损失应该选择合适比例避免喧宾夺主，影响有效特征提取。全局、局部、融合分支损失都使用交叉熵损失函数进行实现。交叉熵损失函数定义如下：
[0084][0085]
其中i表示斑块类别，y＝[y0，y1，y2]表示斑块类别标签，p＝[p0，p1，p2]表示模型的预测概率。模型分类总损失定义如下：
[0086]
l
classification
＝w1lg w2l
l
w3lf w4l
orth
[0087]
采用枚举法来决定w1、w2、w3、w4的取值会带来难以承受的实验开销，所以采用逐步确定这四个权重取值的做法，实验结果如图4。首先确定w1、w2的取值，然后确定w3的取值，最后确定w4的取值。首先将w1、w2、w3、w4的取值都设为1进行实验，该实验结果作为比较的基准。根据图7的实验结果可知，局部特征的特征质量高于全局特征的特征质量。所以，应该给予局部分支损失大的权重，全局分支损失较小的权重，设置w1＝0.1、w2＝1。并且，设置w1＝1、w2＝0.1作为对比实验。实验证明了该设置的合理性。为了探索融合分支损失权重合适的取值，分别将w3设置为1和0.1。在w3取0.1时，分类的准确率更高。固定w1、w2、w3的取值，分别设置w4的取值为0.2，0.4，0.6，和0.8进行实验。实验结果表明，设置w1＝0.1、w2＝1、w3＝0.1、w4＝0.4时模型的分类性能最优。
[0088]
参照图5，示出了定位子网络在不同的定位标签高斯分布半径下的定位性能对比情况。该实验的目的是为了探索适合颈动脉斑块定位的最优定位热图标签中高斯分布半径的取值。定位标签中高斯分布的半径决定了模型关注以斑块为中心的多大范围的图像。更大的半径意味着模型关注超声图像中更大的范围，如果这个大范围远超过斑块的实际尺寸，意味着模型关注到了更多的噪声，会影响模型的精确度。而太小的半径会让模型难以定位到斑块位置。我们以数据集中最大斑块的长度(l)为基准以l/4为间隔进行实验。实验结果表明，取l/2作为定位标签的高斯半径为最佳。
[0089]
参照图6-图7，示出了使用沙漏网络的定位子网络在不同复杂度下定位性能的对比情况。该实验的目的是为了验证低复杂度的定位子网络足够满足斑块中心点定位的需求。因此，本实验对比了1-3个沙漏模块叠加时网络的定位性能，实验结果如图6所示，和单沙漏网络下1-4个下采样层的定位性能，实验结果如图7所示。实验结果表明，取包含三个小
采样层的沙漏模块作为定位子网络模型复杂度低且效果最佳。
[0090]
参照图8，示出了分类子网络中的局部分支输入的不同切块大小的实验性能对比情况。该实验的目的是为了找出分类子网络中的局部分支输入的最佳切块大小。以数据集中最长斑块的长度为基准，以四分之一的斑块最长长度为间隔进行实验。实验结果表明，裁剪大小为286*286的情况下分类的性能最佳。
[0091]
参照图9，示出了多分支特征提取模块的消融实验结果。该实验的目的是为了证明全局分支与局部分支设置的合理性。该实验设置了包含全局分支和局部分支的网络，只包含全局分支的网络和只包含局部分支的网络的对比。只包含全局分支的网络与包含全局分支和局部分支的网络训练方式相同。只包含局部分支的网络中定位子网络与分类子网络割裂成为了两个子网络，分别训练定位子网络与分类子网络与提出模型的训练方式相同，但是在微调整个网络的步骤更改为微调分类子网络。实验结果表明，包含据部分之和全局分支的网络优于只包含其中一个分支的网络，证明了双分支设置的必要性。
[0092]
参照图10，示出了正交融合模块的消融实验结果。该实验的目的是为了证明正交融合模块设置的必要性。该实验对比了包含正交损失和不包含正交损失模型的性能。实验结果表明，正交融合模块提升了颈动脉超声回声分类准确率2.38个百分点。
[0093]
参照图11，示出了带权多损失模块的消融实验结果。由于正交模块的消融实验已经证明了正交损失的必要性，该实验的目的是为了证明全局分支、局部分支、融合分支分别设置损失函数的必要性。融合分支的输出作为回声分类的最终输出，所以融合分支的损失函数不能省略。该实验对比了不使用全局分支损失、不适用局部分支损失和不适用全局分支损失时模型的性能。实验结果表明，全局分支、局部分支、融合分支分别设置损失函数有利于斑块回声分类，特别是局部分支的损失对模型性能的提升起了至关重要的作用。
[0094]
参照图12，示出了使用定位网络和不使用定位网络模型性能的对比情况。该实验的目的是为了证明定位子网络设置的必要性。实验结果表明，使用定位子网络极大提高了模型的回声分类性能。
[0095]
参照图13，示出了本发明的基于关键点检测的颈动脉斑块回声分类方法与其他七种流行分类方法的性能对比情况。该实验的目的是为了检验提出的基于关键点检测的颈动脉斑块回声分类方法的分类性能。除本发明的方法外，实验对比的其他其中流行分类方法包括alexnet、resnet50、resnext50、densenet169、mobilenet-v2、efficientnet-b7、comformer-s。其中comformer-s也是一种全局与局部设计思想的具体实现。所有的对比方法均在imagenet数据集上进行预训练，然后在本文的斑块数据集上进行微调。本发明的模型在斑块数据集上从头训练。实验结果表明，本文提出的颈动脉回声分类方法在各项性能指标上均比流行的分类方法更优。
[0096]
综上所述，本发明的基于关键点检测的颈动脉斑块回声分类方法，通过关键点检测技术，从而结合斑块的全局和局部特征，提出一种基于关键点检测的颈动脉斑块回声分类方法，该模型可以缓解超声影像中斑块大小较小而带来的斑块特征提取困难，并且能差别利用斑块区域和整张超声图形的有效信息，能用于单斑块的颈动脉超声图像的回声分类。
[0097]
本文结合说明书附图和具体实施例进行阐述只是用于帮助理解本发明的方法和核心思想。本发明所述的方法并不限于具体实施方式中所述的实施例，本领域技术人员依
据本发明的方法和思想得出的其它实施方式，同样属于本发明的技术创新范围。本说明书内容不应理解为对本发明的限制。