CN109949299A - 一种心脏医学图像自动分割方法 - Google Patents

Abstract

本发明公开了一种心脏医学图像自动分割方法，包括：步骤1，获取数据并标注，建立心脏医学图像的数据集；步骤2，将获取的标注文件和原始CT图一起输入网络中训练，获得一个参数固定的深度神经网络；步骤3，进行CT图像的分割。本发明能自动实现左心室、左心房、右心室、右心房、左心室外壁和心脏外壁这六个部分的分割，并能达到令人满意的分割精度，和近期提出的Mask R‑CNN相比，该方法性能相当。和一些同样能达到较高精度的方式相比，该方法的分割速度快具有显著提高。

Description

一种心脏医学图像自动分割方法

技术领域

本发明涉及深度学习、计算机视觉、计算机图形学领域，具体涉及一种自动分割心脏医学图像技术。

背景技术

对心脏医学图像进行精确分割是研究人员一直关心的问题，因为心脏是人体中最重要的器官之一，心脏疾病会严重影响患者的日常生活，甚至随时可能夺走人类的生命。在医疗中，医生需要凭借自己的知识和经验辨认抽象的医学图像，区分心脏部分和其它组织，发现心脏是否有异常。显然，这对医生的专业水平和时间精力提出了极高的要求。自动精确分割心脏医学图像能为医生提供高质量的心脏结构信息。这项技术不仅能为医生减轻负担，同时能辅助医生做出正确地诊断。这样，患者能够得到高效的治疗，极大降低心脏疾病带来的不良后果。

到目前为止，心脏医学图像的精确分割已经取得了一些研究成果。早期医学图像分割算法对实际应用的不同而各不相同。主要分为两类：1)基于区域划分和边界的分割方法；2)基于模型的分割方法。近年来，深度学习算法在医学图像分割中的广泛应用推动了医学图像分割技术的显著进步。但是目前尚存在以下问题：1)对心脏医学图像四个腔室、左心室外壁以及心脏外壁分割的算法较少；2)像素分辨率各向异性；3)由于右心室变化较大且外壁很薄，很难准确分割；3)已标注的心脏医学图像数据集很少

发明内容

发明目的：为了解决现有技术存在的问题，本发明的目的是提供一种用于分割心脏医学图像的方法，能够针对一张输入的心脏医学图像，自动并且精确地分割出左心室、左心房、右心室、右心房、左心室外壁和心脏外壁。

技术方案：一种心脏医学图像自动分割方法，包括如下步骤：

步骤1，获取数据并标注，建立心脏医学图像的数据集；所述数据集来自不同性别、不同年龄和不同时相

步骤2，将获取的标注文件和原始CT图一起输入网络中训练，获得一个参数固定的深度神经网络；

步骤3，进行CT图像的分割。

所述步骤1具体包括如下内容：

步骤1.1，获取若干组dicom格式的心脏医学图像数据；

步骤1.2，标注所需分割的对象，包括左心室、左心房、右心室、右心房、左心室外壁和心脏外壁；

步骤1.3，获取已标注的医学图像，将其转换为二值化图像；

步骤1.4，获取二值化图像中目标的轮廓；

步骤1.5，获取轮廓的坐标；

步骤1.6，生成符合训练格式的标注文件。

所述步骤2中，采用基于深度学习的训练，具体包括如下内容：

步骤2.1，将训练数据变换尺寸到a*a；

步骤2.2，数据下采样n次，图片尺寸变为

步骤2.3，数据上采样m次，图片尺寸变为

所述步骤3具体包括如下内容：

步骤3.1，输入任意一张心脏医学图像；

步骤3.2，将图片变换尺寸为a*a；

步骤3.3，输入训练好的网络，得到最终的特征图；

步骤3.4，根据特征图计算局部最大值并确定分割区域和对应类别；

步骤3.5，在原图上标记出分割好的腔室或者外壁，保存新图片。

优选的，所述步骤1中，还包括数据审核步骤。

有益效果：本发明具有如下显著进步：1、能自动实现左心室、左心房、右心室、右心房、左心室外壁和心脏外壁这六个部分的分割，并能达到令人满意的分割精度，和近期提出的Mask R-CNN相比，该方法性能相当。2、和一些同样能达到较高精度的方式相比，该方法的分割速度快具有显著提高。

附图说明

图1是本发明实施例的自动精确分割心脏医学图像方法的流程图；

图2是本发明实施例中对心脏医学图像的标注过程；

图3是本发明实施例中实例分割的流程图；

图4是本发明实施例中训练深度神经网络的结构图；

图5(a)、5(b)是本发明实施例中对心脏医学图像分割的结果图，5(a)为分割出的左心房，5(b)为分割出的左心室。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例

如图1所示，本发明提供了一种精确自动分割心脏心血图像的方法。该方法分为数据集、训练方法和分割方法三部分

步骤一，数据集的建立：

获取数据并标注，建立心脏医学图像的数据集。本例中的数据来自江苏省人民医院志愿者的CT图，包括了不同性别、不同年龄和不同时相。具体获取标注文件的操作见图2。

步骤二，基于深度学习的训练。深度学习网络基于Kaiming He et al.在2015年提出的残差模型ResNet，以encoder-decoder为训练网络的支柱。该步骤将步骤一中获取的标注文件和原始CT图一起输入网络中训练，最终获得一个参数固定的深度神经网络。

本实施例中，首先将训练数据变换尺寸到352*352，该方法训练时固定输入网络的图片尺寸为352*352。其次，数据下采样4次，图片尺寸变为22*22；在编码(encoder)阶段，特征分辨率在步长为2的情况下，减少了4次(176，88，44，22)。最后，数据上采样2次，图片尺寸变为88*88；在解码(decoder)阶段，特征分辨率增加了2次(44，88)。

由于该方法需要分割包括左心室、左心房、右心室、右心房、左心室外壁和心脏外壁的6个对象，因此输出的特征图包含7个通道。每个通道代表了对应类别出现在每一个像素值的可能性。该方法监督每个尺度上的输出，采用softmax_with_loss算子来训练网络。该方法使用最后尺寸为88*88的特征图作为最终输出的特征图。

步骤三，基于上述训练部分得到的深度神经网络，对任意心脏医学图像进行分割。该步骤能够检验该方法的可靠性并且能实现高精度CT图像的自动分割。如图3所示为分割流程图：

步骤S120，输入任意一张心脏CT图。在输入之前无须对图片进行处理。

步骤S130，将待检测心脏医学图像输入网络提取特征图。该网络是之前有监督学习后训练好的深度神经网络，具体训练网络结构见图4。

步骤S140，读取步骤二种深度神经网络最后输出的特征图。处理该特征图，得到图片中每个像素为左心室、左心房、右心室、右心房、左心室外壁、心脏外壁和背景的概率值。

步骤S150，根据得到的概率值计算局部最大值，判断感兴趣区域为哪一类别(包括左心室、左心房、右心室、右心房、左心室外壁和心脏外壁)。

步骤S160，在原图上标记出识别的腔室和外壁。由于网络最后输出的图尺寸只有88*88，而输入网络的图尺寸是352*352，故在原图上标记前要将两种尺寸匹配。为了便于观察，改变识别为目标的区域像素值。根据公式p＝a*像素值+(1-a)*红色，其中p为新的像素值，a为比例系数。

步骤S170，输出带有标记的图片。将分割好的图片保存到指定路径下，便于使用者读取和分析。样例结果见图5(a)和5(b)。

Claims (6)

1.一种心脏医学图像自动分割方法，其特征在于，包括如下步骤：

步骤1，获取数据并标注，建立心脏医学图像的数据集；

步骤2，将获取的标注文件和原始CT图一起输入网络中训练，获得一个参数固定的深度神经网络；

步骤3，进行CT图像的分割。

2.根据权利要求1所述的心脏医学图像自动分割方法，其特征在于，所述步骤1具体包括如下内容：

步骤1.1，获取若干组dicom格式的心脏医学图像数据；

步骤1.2，标注所需分割的对象，包括左心室、左心房、右心室、右心房、左心室外壁和心脏外壁；

步骤1.3，获取已标注的医学图像，将其转换为二值化图像；

步骤1.4，获取二值化图像中目标的轮廓；

步骤1.5，获取轮廓的坐标；

步骤1.6，生成符合训练格式的标注文件。

3.根据权利要求1所述的心脏医学图像自动分割方法，其特征在于，所述步骤2中，采用基于深度学习的训练，具体包括如下内容：

步骤2.1，将训练数据变换尺寸到a*a；

步骤2.2，数据下采样n次，图片尺寸变为

步骤2.3，数据上采样m次，图片尺寸变为

4.根据权利要求1所述的心脏医学图像自动分割方法，其特征在于，所述步骤3具体包括如下内容：

步骤3.1，输入任意一张心脏医学图像；

步骤3.2，将图片变换尺寸为a*a；

步骤3.3，输入训练好的网络，得到最终的特征图；

步骤3.4，根据特征图计算局部最大值并确定分割区域和对应类别；

步骤3.5，在原图上标记出分割好的腔室或者外壁，保存新图片。

5.根据权利要求1所述的心脏医学图像自动分割方法，其特征在于：所述步骤1中，还包括数据审核步骤。

6.根据权利要求1所述的心脏医学图像自动分割方法，其特征在于：所述数据集来自不同性别、不同年龄和不同时相。