CN113269741A - 一种基于改进U-Net的心脏MR图像分割系统 - Google Patents
一种基于改进U-Net的心脏MR图像分割系统 Download PDFInfo
- Publication number
- CN113269741A CN113269741A CN202110548398.2A CN202110548398A CN113269741A CN 113269741 A CN113269741 A CN 113269741A CN 202110548398 A CN202110548398 A CN 202110548398A CN 113269741 A CN113269741 A CN 113269741A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- improved
- net
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于改进U‑Net的心脏MR图像分割系统,涉及图像分割技术领域;它包括如下步骤:步骤一:建立数据集;步骤二:图像预处理;步骤三:评价分割效果;步骤四:一次测试;步骤五:二次测试:对传统U‑Net网络的不足对其进行改进后再次进行实现与测试,通过Dice系数、ASD以及Hau三个评价指标判断精度是否提高,通过对比Dice曲线变化图曲线上升速度判断速度是否提高;本发明对心脏MR图像进行预处理,减少亮度以及噪声对后续分析的影响;从网络感受野以及损失函数两方面对U‑Net网络进行改进;优化算法使得模型训练更加充分,分割准确度得到提高。
Description
技术领域
本发明属于图像分割技术领域,具体涉及一种基于改进U-Net的心脏MR图像分割系统。
背景技术
随着医学理论的进步和医疗器械的发展,人们开始通过医学成像技术来研究心血管疾病。迄今为止,成熟且常用的心脏成像技术有计算机断层扫描技术(ComputedTomography,CT)、超声成像技术(B超)以及核磁共振成像技术(Magnetic Resonance,MR)等。CT成像结果受呼吸运动影响较大,重建图像的伪影较多,并且辐射量大。B超是常见且成熟的超声成像方法,但是受操作者的影响较大,而且易受气体和骨骼的阻碍,导致人体某些部位成像困难。MR对人体无创伤、无辐射伤害、产生图像分辨率较高、心肌与血池对比度清晰符合心脏成像的要求,因此本文选用MR图像作为研究对象。
在医学影像辅助诊断过程中,心脏MR图像的分割是计算心室容积,射血分数等心功能指数的前提,对诊断心脏功能和诊断冠心病、发育不良、心肌病等心脏疾病具有重要意义,另外一方面还可利用分割结果对心肌形态进行判断。
心室包括左心室和右心室,左心室近似圆形,并且由厚度大约为6mm到15mm的心室壁包围,而右心室则是呈复杂的月牙形,且右心室壁厚度通常只有左心室壁厚度的1/4。
由于上述原因导致右心室分割难度比左心室分高,然而目前大多数研究工作是基于左心室分割的,但同时右心室分割图像对于辅助医生诊断疾病也很关键。
由于心脏磁共振图像中右心室边界不明显,不同病人和不同切片位置上的右心室形态差别很大。这导致以往的医学图像分割方法很难在分割效果好的条件下还能确保具有很好的鲁棒性,而且以往的医学图像分割方法往往需要在经验丰富医生的帮助下才可以进行,费时又费力。另外医生的个人水平也会对实验造成影响,因此找到一个分割精度高,鲁棒性又好的右心室分割方法对于医生和病人来说都是非常有意义的。
发明内容
为解决以往的医学图像分割方法很难在分割效果好的条件下还能确保具有很好的鲁棒性,而且以往的医学图像分割方法往往需要在经验丰富医生的帮助下才可以进行,费时又费力的问题;本发明的目的在于提供一种基于改进U-Net的心脏MR图像分割系统。
本发明的一种基于改进U-Net的心脏MR图像分割系统,它包括如下步骤:
步骤一:建立数据集:使用医学图像计算和计算机辅助干预会议所公布的自动心脏疾病诊断挑战数据集;
步骤二:图像预处理:对ADDC数据集进行预处理,最后在图像尺寸上做统一设置,使图像标准化,以便后续分割处理;
步骤三:评价分割效果:使用Dice系数、平均对称表面距离、对称Hausdorff距离这三个系数来评价心脏右心室分割效果;这些指标反映了神经网络模型分割出来的图像与groundtruth之间的差距;
步骤四:一次测试:对基于传统U-Net网络分割图像进行实现与测试,通过分析网络分割会出现过分割以及欠分割的问题这是由于网络的感受野太小,另一部分原因是由于损失函数导致的。
步骤五:二次测试:对传统U-Net网络的不足对其进行改进后再次进行实现与测试,通过Dice系数、ASD以及Hau三个评价指标判断精度是否提高,通过对比Dice曲线变化图曲线上升速度判断速度是否提高。
与现有技术相比,本发明的有益效果为:
一、对心脏MR图像进行预处理,减少亮度以及噪声对后续分析的影响;
二、从网络感受野以及损失函数两方面对U-Net网络进行改进;优化算法使得模型训练更加充分,分割准确度得到提高。
具体实施方式
本具体实施方式采用以下技术方案:
步骤一:建立数据集:使用医学图像计算和计算机辅助干预(MedicalImageComputing and Computer Assisted Intervention, MICCAI)会议所公布的自动心脏疾病诊断挑战(Automated Cardiac Diagnosis Challenge, ACDC)数据集;
步骤二:图像预处理:对ADDC数据集进行预处理,例如切片、灰度值标准化等。最后在图像尺寸上做统一设置,使图像标准化,以便后续分割处理。
步骤三:使用Dice系数、平均对称表面距离(Average Symmetric SurfaceDistance)、对称Hausdorff距离这三个系数来评价心脏右心室分割效果。这些指标反映了神经网络模型分割出来的图像与groundtruth之间的差距。
步骤四:对基于传统U-Net网络分割图像进行实现与测试,通过分析网络分割会出现过分割以及欠分割的问题这是由于网络的感受野太小,另一部分原因是由于损失函数导致的。
步骤五:对传统U-Net网络的不足对其进行改进后再次进行实现与测试,通过Dice系数、ASD以及Hau三个评价指标判断精度是否提高,通过对比Dice曲线变化图曲线上升速度判断速度是否提高。
本具体实施方式的工作原理为:根据右心室分割在医学上的需求,分析了传统算法在右心室分割问题上的不足与缺陷。然后把心脏MR图像中右心室的特点与卷积神经网络的原理相结合,提出了基于U-Net网络的改进型新网络。并且在实验数据集上对提出的新神经网络进行了测试及分析。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (1)
1.一种基于改进U-Net的心脏MR图像分割系统,其特征在于:它包括如下步骤:
步骤一:建立数据集:使用医学图像计算和计算机辅助干预会议所公布的自动心脏疾病诊断挑战数据集;
步骤二:图像预处理:对ADDC数据集进行预处理,最后在图像尺寸上做统一设置,使图像标准化,以便后续分割处理;
步骤三:评价分割效果:使用Dice系数、平均对称表面距离、对称Hausdorff距离这三个系数来评价心脏右心室分割效果;这些指标反映了神经网络模型分割出来的图像与groundtruth之间的差距;
步骤四:一次测试:对基于传统U-Net网络分割图像进行实现与测试,通过分析网络分割会出现过分割以及欠分割的问题这是由于网络的感受野太小,另一部分原因是由于损失函数导致的;
步骤五:二次测试:对传统U-Net网络的不足对其进行改进后再次进行实现与测试,通过Dice系数、ASD以及Hau三个评价指标判断精度是否提高,通过对比Dice曲线变化图曲线上升速度判断速度是否提高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548398.2A CN113269741A (zh) | 2021-05-19 | 2021-05-19 | 一种基于改进U-Net的心脏MR图像分割系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548398.2A CN113269741A (zh) | 2021-05-19 | 2021-05-19 | 一种基于改进U-Net的心脏MR图像分割系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269741A true CN113269741A (zh) | 2021-08-17 |
Family
ID=77231902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110548398.2A Pending CN113269741A (zh) | 2021-05-19 | 2021-05-19 | 一种基于改进U-Net的心脏MR图像分割系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269741A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023123361A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion correction for a medical image |
-
2021
- 2021-05-19 CN CN202110548398.2A patent/CN113269741A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023123361A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion correction for a medical image |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7430309B2 (en) | Computation of a geometric parameter of a cardiac chamber from a cardiac tomography data set | |
US7567696B2 (en) | System and method for detecting the aortic valve using a model-based segmentation technique | |
Lee et al. | Automatic left ventricle segmentation using iterative thresholding and an active contour model with adaptation on short-axis cardiac MRI | |
CN109035284B (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
US20150023578A1 (en) | Device and method for determining border of target region of medical images | |
JP5601378B2 (ja) | 医用画像処理装置 | |
Linguraru et al. | Liver and tumor segmentation and analysis from CT of diseased patients via a generic affine invariant shape parameterization and graph cuts | |
CN110874860B (zh) | 基于混合损失函数的对称监督模型的目标提取方法 | |
Koo et al. | Automated segmentation of left ventricular myocardium on cardiac computed tomography using deep learning | |
WO2021209887A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
Zhu et al. | A new method incorporating deep learning with shape priors for left ventricular segmentation in myocardial perfusion SPECT images | |
CN113269741A (zh) | 一种基于改进U-Net的心脏MR图像分割系统 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
CN115861172A (zh) | 基于自适应正则化光流模型的室壁运动估计方法及装置 | |
CN114419157A (zh) | 一种基于深度学习的心脏四腔心自动定位方法 | |
EP4221580A1 (en) | Method and system for estimating arterial input function | |
He et al. | Deep Learning-Based Analysis of the Effect of Cardiac Color Ultrasound on Chronic Obstructive Pulmonary Disease under Mask Region | |
CN114820754B (zh) | 一种基于模板匹配的心脏四腔心自动定位方法 | |
TWI548401B (zh) | 血管三維結構重建方法 | |
LU505348B1 (en) | A deep learning-based method for CT pulmonary angiography cardiac chamber segmentation and quantification | |
Tsai et al. | Computer-based measurement of right and left ventricular volumes in magnetic resonance imaging | |
Ahmed et al. | An Automatic Cardiac Computed Tomography (Ct) Images Sequence segmentation Technique | |
CN116831603A (zh) | 一种核医学检测假阳性或假阴性判断的方法、介质及系统 | |
CN111968131A (zh) | 基于狼群算法的医学图像分割算法 | |
CN114767143A (zh) | 用于医学检测的mibg成像方法、设备、介质及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210817 |
|
WD01 | Invention patent application deemed withdrawn after publication |