【技术实现步骤摘要】
软组织运动预测方法、装置、终端设备及可读存储介质
本申请属于图像处理
,尤其涉及软组织运动预测方法、装置、终端设备及计算机可读存储介质。
技术介绍
在高强度聚焦超声(high-intensityfocusedultrasound,HIFU)影像引导的治疗中,软组织的运动会对治疗产生负面影响。因此,需要提前进行软组织运动预测。现有技术中,可以采用无模型匹配的跟踪方法和基于模型匹配的跟踪方法等传统方法来进行软组织的运动预测,但这些传统方法存在运动预测效果较差和精度较低的问题。
技术实现思路
本申请实施例提供了一种软组织运动预测方法、装置、终端设备及计算机可读存储介质,可以有效提高软组织运动预测的效果和精度。第一方面,本申请实施例提供了一种软组织运动预测方法,可以包括:获取原始图像序列,所述原始图像序列用于描述软组织在第一时间段的运动轨迹;将所述原始图像序列输入至预设的软组织运动预测模型进行处理,得到所述软组织运动预测模型输出的预测图像序列,所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹;其中,所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元,所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输,所述长短期记忆网络单元包括自注意力模块。上述的软组织运动预测方法,可以通过自注意力模块获取全局空间的上下文信息,并根据时间序列跨层进行时空特征的传输,以增强不同时间图像中时空信息的传递,使得软组织运动预测模型具有更强的空 ...
【技术保护点】
1.一种软组织运动预测方法,其特征在于,包括:/n获取原始图像序列,所述原始图像序列用于描述软组织在第一时间段的运动轨迹;/n将所述原始图像序列输入至预设的软组织运动预测模型进行处理,得到所述软组织运动预测模型输出的预测图像序列,所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹;其中,所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元,所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输,所述长短期记忆网络单元包括自注意力模块。/n
【技术特征摘要】
1.一种软组织运动预测方法,其特征在于,包括:
获取原始图像序列,所述原始图像序列用于描述软组织在第一时间段的运动轨迹;
将所述原始图像序列输入至预设的软组织运动预测模型进行处理,得到所述软组织运动预测模型输出的预测图像序列,所述预测图像序列用于描述预测到的所述软组织在与所述第一时间段相邻的第二时间段的运动轨迹;其中,所述软组织运动预测模型包括堆叠的多层长短期记忆网络单元,所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输,所述长短期记忆网络单元包括自注意力模块。
2.如权利要求1所述的软组织运动预测方法,其特征在于,所述长短期记忆网络单元根据时间序列跨层进行目标时空特征的传输,包括:
第l+1层长短期记忆网络单元将t-1时刻生成的目标时空特征图传输给t时刻的第l层长短期记忆网络单元,1≤l<L,L为所述软组织运动预测模型包含的长短期记忆网络单元的总层数。
3.如权利要求1或2所述的软组织运动预测方法,其特征在于,所述自注意力模块包括第一自注意力模块和第二自注意力模块,所述第一自注意力模块与所述第二自注意力模块并联,所述第一自注意力模块用于生成候选时空特征图,所述第二自注意力模块用于生成候选空间特征图。
4.如权利要求3所述的软组织运动预测方法,其特征在于,所述第一自注意力模块根据下述公式生成所述候选时空特征图:
其中,为t时刻的第l层长短期记忆网络单元中的第一自注意力模块生成的候选时空特征图,Wf、Wlv、Wxo、Who、Wco为预设的权重矩阵,为t时刻的第l层长短期记忆网络单元中的第一自注意力模块对应的输入特征图,Zl为第一自注意力模块基于生成的中间特征图,Zl;i为Zl中的第i个元素,al;i,j为中的第i个元素与第j个元素之间的相似性,为中的第j个元素,N为包含的元素的总个数,σ为sigmoid函数,xt为t时刻的原始图像,为t-1时刻的第l+1层长短期记忆网络单元传输的目标时空特征图,为t时刻的第l层长短期记忆网络单元生成的目标时间特征图,bo为预设的偏置项。
5.如权利要求3所述的软组织运动预测方法,其特征在于,所述第二自注意力模块根据下述公式生成所述候选空间特征图:
其中,为t时刻的第l层长短期记忆网络单元中的第二自注意力模块生成的候选空间特征图,Wz、Wmv为预设的权重矩阵,为t时刻的...
【专利技术属性】
技术研发人员:张嘉乐,廖祥云,王琼,王平安,
申请(专利权)人:中国科学院深圳先进技术研究院,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。