CN113902738A - 一种心脏mri分割方法及系统 - Google Patents

一种心脏mri分割方法及系统 Download PDF

Info

Publication number
CN113902738A
CN113902738A CN202111394636.5A CN202111394636A CN113902738A CN 113902738 A CN113902738 A CN 113902738A CN 202111394636 A CN202111394636 A CN 202111394636A CN 113902738 A CN113902738 A CN 113902738A
Authority
CN
China
Prior art keywords
cardiac mri
segmentation
right ventricle
ventricle
mri
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.)
Withdrawn
Application number
CN202111394636.5A
Other languages
English (en)
Inventor
李纯明
谢李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111394636.5A priority Critical patent/CN113902738A/zh
Publication of CN113902738A publication Critical patent/CN113902738A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种心脏MRI分割方法及系统，属于图像处理技术领域。本发明采用两阶段全卷积网络模型，第一阶段的全卷积网络模型用于检测心脏MRI左右心室的中心点，该中心点信息用于生成心脏MRI感兴趣区域，从而降低周围相似组织的影响，同时，利用欧式距离变换生成左右心室的中心距离信息，作为第二阶段全卷积网络模型的先验信息，显著提高了心脏MRI左右心室与心肌的分割精度，同时，将第一阶段和第二阶段的模型过行串联，有效地提高了分割的精度，有效地解决了心脏MRI分割存在的过分割与欠分割问题。

Description

一种心脏MRI分割方法及系统
技术领域
本发明属于图像处理技术领域，尤其涉及一种心脏MRI分割方法及系统。
背景技术
《中国心血管健康与疾病报告2019》指出，截止2019年中国居民心血管疾病患病人数高达3.3亿人，且患病率处于持续上升阶段，给国内经济带来沉重的负担。由于心脏电影MRI具有高分辨率、无创、无辐射、多平面等优势，成为诊断心血管疾病的金标准。通过手动分割心脏MRI的解剖结构(左、右心室)，进而提取心室功能参数(心室体积、射血分数、每搏量、心肌厚度和室壁运动距离等)，可以辅助医生对心血管疾病进行精确的分析，从而提高疾病的诊断准确率。然而，手工分割心脏MRI是一件极其费时费力的工作，且容易受到医生主观性差异的影响，分割结果存在较大的可变性，导致不同医生分析同一心脏MRI时得出不同的诊断结论。因此，影像科医生迫切需要一种高效、准确的心脏MRI自动分割算法。
现有的心脏MRI分割算法可以大致分为两类：
(1)基于传统图像分割模型：此类算法通过人工交互式操作为传统图像分割算法(如聚类法、区域生长法、活动轮廓模型、水平集方法等)提供初始化数值和先验信息，使传统图像分割算法能够准确分割心脏MRI中的感兴趣区域。基于传统图像分割模型的心脏MRI分割算法通常具有较好的分割效果，且没有数据标注的需求，因此具有较为广泛的应用范围。然而，此类方法的工作效率较低，对初始化数值较为敏感，且大部分算法容易受到噪声、灰度不均匀性等干扰因素的影响，从而产生较大的分割误差。因此，基于传统图像分割模型的心脏MRI分割算法不适合于自动处理医院大批量的心脏MRI数据。
(2)基于深度学习模型：深度学习模型是近五年来较为热门的研究方向，该类模型通过一些简单、非线性的组合模型从原始数据中提取出深层次的特征，将研究人员从复杂的特征设计工作中解放出来，并大幅度提高了特征的区分能力和鲁棒性，从而提高心脏MRI分割算法的性能。基于深度学习模型的心脏MRI分割算法具有较高的分割准确性和计算效率，更适合于大批量数据的处理，因此渐渐成为主流趋势。然而，深度学习模型是数据驱动的机器学习模型，具有较高的模型复杂度，为了降低模型的过拟合风险，需要标注大量的数据。此外，由于心脏MRI基底部和心尖部的解剖结构较为复杂，深度学习分割模型对这两个位置的MRI切片分割效果较差，存在严重的过分割与欠分割现象，从而影响整体的分割性能。
因此，如何提高基于深度学习模型的心脏MRI图像自动分割算法的准确性成为急需解决的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种心脏MRI分割方法及系统，解决了心脏MRI分割存在的过分割与欠分割问题。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种心脏MRI分割方法，包括以下步骤：
S1、获取心脏MRI数据；
S2、构建心脏MRI左右心室中心点检测模型，并利用所述心脏MRI数据对心脏MRI左右心室中心点检测模型进行训练；
S3、利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，并根据所述左右心室中心点位置信息提取感兴趣区域与中心点距离图；
S4、构建心脏MRI分割模型，并利用所述感兴趣区域与中心点距离图训练所述心脏MRI分割模型；
S5、将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型，并根据所述心脏MRI自动分割模型得到最终分割结果。
本发明的有益效果是：本发明采用两阶段全卷积网络模型，第一阶段的全卷积网络模型用于检测心脏MRI左右心室的中心点，该中心点信息用于生成心脏MRI感兴趣区域，从而降低周围相似组织的影响，同时，利用欧式距离变换生成左右心室的中心距离信息，作为第二阶段全卷积网络模型的先验信息，显著提高了心脏MRI左右心室与心肌的分割精度，同时，将第一阶段和第二阶段的模型过行串联，有效地提高了分割的精度。
进一步地，所述心脏MRI左右心室中心点检测模型包括依次连接的第一特征编码网络、第一特征解码网络、第一输出层和第二输出层；
所述第一特征编码网络为第一VGG-16卷积神经网络，用于提取心脏MRI图像的层次性特征；
所述第一特征解码网络，用于上采样所述心脏MRI图像的层次性特征，并将不同尺度的心脏MRI图像特征融合为一个具有尺度不变性的特征金字塔，所述特征解码网络包括第一采样层、第一卷积层和第一连接层；
所述第一输出层，用于利用softmax分类器预测心脏MRI图像像素属于左右心室中心点区域的概率；
所述第二输出层，用于利用sigmoid函数将多尺度特征映射转化为中心距离值。
上述进一步方案的有益效果是：本发明通过第一阶段的心脏MRI左右心室中心点检测模型提取心脏MRI的感兴趣区域，可有效减少周围的干扰，降低模型的过分割风险，且检测到的左右心室中心点信息有利于引导分割模型着重分割中心点附近的区域，避免了心尖位置左右心室位置混淆的问题，因而提高了心脏MRI分割的精度。
再进一步地，所述心脏MRI左右心室中心点检测模型的损失函数的表达式如下：
Figure BDA0003369567630000041
其中，L(·)表示心脏MRI左右心室中心点检测模型的损失函数，I,GC,DE,MC分别表示输入心脏MRI图像、左右心室中心点标记、左右心室中心点真实距离和掩膜，W表示心脏MRI左右心室中心点检测模型的所有参数，N表示像素个数，Wm(x)表示各像素的权重，x表示像素的位置，P(·)表示预测概率，y表示中心点类别标签，Gc(x)表示像素x的真实标签，Ω表示图像的空间域，Mc(x)表示标记的掩膜，DE(x,y)表示像素x与中心点标记y的距离，D(x,y)表示模型预测的距离值，λ1和λ2表示后两个损失项的权重值
上述进一步方案的有益效果是：本发明通过以上设计能够引导模型同时学习输入图像到手工标记与中心距离的映射关系，并且加入的稀疏项能够降低模型的过拟合风险。
再进一步地，所述步骤S3包括以下步骤：
S301、利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，得到左右心室中心点像素概率图和距离图；
S302、利用局部加权平均法，将所述左右心室中心点像素概率图和距离图进行融合；
S303、根据融合结果以及预设的感兴趣策略，分别提取心室基底部、中部和心尖部的感兴趣区域；
S304、利用欧氏距离变换法，生成图像域各像素至左右心室中心点的中心点距离图，完成对感兴趣区域与中心点距离图的提取。
上述进一步方案的有益效果是：自动生成中心距离标记，为后续的模型训练提供数据支持。
再进一步地，所述步骤S302中融合的表达式如下：
Figure BDA0003369567630000051
其中，PM(y＝k|x)表示融合后像素x属于类别k的概率值，y表示中心点类别标签，x*表示以像素位置x为中心、半径为a的区域，P(·)表示模型预测的像素概率值，k表示类别值，D(x*,y)表示模型预测的中心距离值，P(y＝k|x*)和D(x*,y)分别表示心脏MRI左右心室中心点检测模型输出的左右心室中心点像素概率图和距离图。
上述进一步方案的有益效果是：本发明通过以上设计，能基于局部加权策略融合模型输出的像素概率信息和中心距离信息，提高离中心点距离较近像素的概率值，而抑制距离较远像素的概率值，从而降低中心点的检测误差。
再进一步地，所述步骤S4中心脏MRI分割模型包括依次连接的第二特征编码网络、第二解码网络以及第三输出层；
所述第二编码网络为第二VGG-16卷积神经网络，用于提取心脏MRI图像的全局特征；
所述第二解码网络包括第二上采样层、第二连接层和第二卷积层，所述第二上采样层用于将不同层次的特征映射融合为特征金字塔，所述第二连接层用于将左右心室中心点距离图融入至特征映射中；
所述第三输出层，用于获取左右心室的类别。
上述进一步方案的有益效果是：本发明利用第二连接层、第二上采样层和通道注意力机制对多层次的特征映射进行数据融合和优化，使其能够更适用于心脏MRI分割任务，提高模型分割的性能。
再进一步地，所述步骤S5包括以下步骤：
S501、将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型；
S502、利用训练好的心脏MRI左右心室中心点检测模型提取左右心室的中心点检测信息；
S503、利用心脏MRI分割模型提取心脏MRI图像的感兴趣区域和左右心室中心点距离信息；
S504、将所述左右心室的中心点检测信息、感兴趣区域和左右心室中心点距离信息输入至心脏MRI自动分割模型，得到左右心室与心肌分割结果；
S505、将所述左右心室与心肌分割结果转化为三维点云模型，并提取心室容积，完成对心脏MRI的分割。
上述进一步方案的有益效果是：通过提取分割结果的点云数据生成分割结果的三维视图，使得医生可以全方位视角观察分割目标的形状，提取的心室容积可以作为医生诊断病情的定量指标。
本发明还提供了一种心脏MRI分割系统，包括：
数据获取模块，用于获取心脏MRI数据；
心脏MRI左右心室中心点检测模型构建模块，用于构建心脏MRI左右心室中心点检测模型，并利用所述心脏MRI数据对心脏MRI左右心室中心点检测模型进行训练；
提取模块，用于利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，并根据所述左右心室中心点位置信息提取感兴趣区域与中心点距离图；
心脏MRI分割模型构建模块，用于构建心脏MRI分割模型，并利用所述感兴趣区域与中心点距离图训练所述心脏MRI分割模型；
分割模块，用于将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型，并根据所述心脏MRI自动分割模型得到最终分割结果。
本发明的有益效果是：本发明采用两阶段全卷积网络模型，第一阶段的全卷积网络模型用于检测心脏MRI左右心室的中心点，该中心点信息用于生成心脏MRI感兴趣区域，从而降低周围相似组织的影响，同时，利用欧式距离变换生成左右心室的中心距离信息，作为第二阶段全卷积网络模型的先验信息，显著提高了心脏MRI左右心室与心肌的分割精度，同时，将第一阶段和第二阶段的模型过行串联，有效地提高了分割的精度。
附图说明
图1为本发明的方法流程图。
图2为本实施例中心脏MRI左右心室中心点检测模型的结构示意图。
图3为本实施例中心脏MROI分割模型的结构示意图。
图4为本发明的系统结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示，本发明提供了一种心脏MRI分割方法，其实现方法如下：
S1、获取心脏MRI数据；
本实施例中，收集网络上公开的且具有专家标注结果的短轴心脏MRI数据，例如MICCAI 2013心脏MRI分割竞赛数据集，该数据集包括正常人和患者的短轴心脏电影MRI图像，每个数据包含受试者一个完整的心动周期。
本实施例中，通过交叉验证法将数据集划分为三个部分：训练集、验证集和测试集，并且利用去平均值、最大最小归一化方法和数据扩增法(随机剪切、图像旋转、图像对比度变化等)对训练集的心脏MRI数据进行处理，得到模型训练所需的数据库。
S2、构建心脏MRI左右心室中心点检测模型，并利用所述心脏MRI数据对心脏MRI左右心室中心点检测模型进行训练；
所述心脏MRI左右心室中心点检测模型包括依次连接的第一特征编码网络、第一特征解码网络、第一输出层和第二输出层；
所述第一特征编码网络为第一VGG-16卷积神经网络，用于提取心脏MRI图像的层次性特征；
所述第一特征解码网络，用于上采样所述心脏MRI图像的层次性特征，并将不同尺度的心脏MRI图像特征融合为一个具有尺度不变性的特征金字塔，所述特征解码网络包括第一采样层、第一卷积层和第一连接层；
所述第一输出层，用于利用softmax分类器预测心脏MRI图像像素属于左右心室中心点区域的概率；
所述第二输出层，用于利用sigmoid函数将多尺度特征映射转化为中心距离值。
本实施例中，基于开源的深度学习平台TensorFlow，设计和构建心脏MRI左右心室中心点检测网络模型，如图2所示，该模型为编码-解码器结构，左侧的编码器由VGG-16卷积神经网络构成，用于提取图像的层次性特征，右侧的解码器由第一上采样层、第一卷积层和第一连接层组成，逐层上采样左侧的图像特征并利用第一卷积层和第一连接层构建多尺度图像特征，网络的末端具有两个输出层：(1)第一输出层利用Softmax分类器预测像素属于左右心室中心点区域的概率；(2)第二输出层利用Sigmoid函数将特征映射转化为中心距离值，同时基于图像矩方法从训练数据中提取左右心室的中心点坐标，将其与训练数据输入到检测网络模型中，利用Adam优化算法迭代更新网络模型参数，并基于验证集选择性能最优的网络参数，图2中，Convolution表示卷积层，BatchNorm表示批归一化层，Concatenation表示连接层，MaxPooling表示最大池化层，Upsample表示线性插值上采样层，Softmax表示Softmax函数，Sigmoid表示Sigmoid函数，SE表示通道激励模块，Dropout表示丢弃层，网络模型的损失函数如下所示：
Figure BDA0003369567630000091
其中，L(·)表示心脏MRI左右心室中心点检测模型的损失函数，I,GC,DE,MC分别表示输入图像、左右心室中心点标记、左右心室中心点真实距离和掩膜，W表示心脏MRI左右心室中心点检测模型的所有参数，N表示像素个数，Wm(x)表示各像素的权重，x表示像素的位置，P(·)表示预测概率，y表示中心点类别标签，Gc(x)表示像素x的真实标签，Ω表示图像的空间域，Mc(x)表示标记的掩膜，DE(x,y)表示像素x与中心点标记y的距离，D(x,y)表示模型预测的距离值，λ1和λ2表示后两个损失项的权重值。
S3、利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，并根据所述左右心室中心点位置信息提取感兴趣区域与中心点距离图，其实现方法如下：
S301、利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，得到左右心室中心点像素概率图和距离图；
S302、利用局部加权平均法，将所述左右心室中心点像素概率图和距离图进行融合；
S303、根据融合结果以及预设的感兴趣策略，分别提取心室基底部、中部和心尖部的感兴趣区域；
S304、利用欧氏距离变换法，生成图像域各像素至左右心室中心点的中心点距离图，完成对感兴趣区域与中心点距离图的提取。
本实施例中，利用训练后的心脏MRI左右心室中心点检测网络模型提取训练数据集的左右心室中心点位置信息，假设P(y＝k|x)和D(x,y)分别为心脏MRI左右心室中心点检测网络模型输出的左右心室中心点像素概率图和距离图，则可以利用局部加权平均将二者信息融合：
Figure BDA0003369567630000101
其中，PM(y＝k|x)表示融合后像素x属于类别k的概率值，y表示中心点类别标签，x*表示以像素位置x为中心、半径为a的区域，P(·)表示模型预测的像素概率值，k表示类别值，D(x*,y)表示模型预测的中心距离值，P(y＝k|x*)和D(x*,y)分别表示心脏MRI左右心室中心点检测模型输出的左右心室中心点像素概率图和距离图。
然后根据预定义的感兴趣策略分别提取心室基底部、中部和心尖部的感兴趣区域，其中心室基底部ROI以左右心室中心点坐标的平均值作为ROI中心且尺寸为112×128，中部ROI以左心室中心点为ROI中心且尺寸为80×80，当检测结果不存在左心室中心点时，该MRI图像不提取ROI且不进行后续的分割处理。最后利用欧氏距离变换方法生成图像域各像素至左右心室中心点的距离图，将其与感兴趣区域作为第二阶段全卷积神经网络的训练数据。
S4、构建心脏MRI分割模型，并利用所述感兴趣区域与中心点距离图训练所述心脏MRI分割模型；
所述中心脏MRI分割模型包括依次连接的包括依次连接的第二特征编码网络、第二解码网络以及第三输出层；
所述第二编码网络为第二VGG-16卷积神经网络，用于提取心脏MRI图像的全局特征；
所述第二解码网络包括第二上采样层、第二连接层和第二卷积层，所述第二上采样层用于将不同层次的特征映射融合为特征金字塔，所述第二连接层用于将左右心室中心点距离图融入至特征映射中；
所述第三输出层，用于获取左右心室的类别。
本实施例中，基于开源的深度学习平台TensorFlow，设计和构建中心点距离信息引导的心脏MRI分割模型，如图3所示，该模型同样为编码-解码器结构，左侧的编码器由第二VGG-16卷积神经网络构成，利用第二卷积层和最大池化层得到图像的全局特征，右侧通过第二上采样层和第二连接层将不同层次的特征映射融合为特征金字塔，并在末端的图性特征中利用第二连接层将左右心室中心点距离图融入到网络模型的特征映射中，最后使用通道注意力机制优化图像特征和Softmax分类器获取像素属于左右心室的类别，将生成的感兴趣区域输入心脏MRI分割模块中，利用Adam优化算法迭代更新网络模型参数，并基于验证集选择性能最优的网络参数，图3中，Convolution表示卷积层，BatchNorm表示批归一化层，Concatenation表示连接层，MaxPooling表示最大池化层，Upsample表示线性插值上采样层，Softmax表示Softmax函数，Sigmoid表示Sigmoid函数，SE表示通道激励模块，Dropout表示丢弃层。
S5、将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型，并根据所述心脏MRI自动分割模型得到最终分割结果，其实现方法如下：
S501、将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型；
S502、利用训练好的心脏MRI左右心室中心点检测模型提取左右心室的中心点检测信息；
S503、利用心脏MRI分割模型提取心脏MRI图像的感兴趣区域和左右心室中心点距离信息；
S504、将所述左右心室的中心点检测信息、感兴趣区域和左右心室中心点距离信息输入至心脏MRI自动分割模型，得到左右心室与心肌分割结果；
S505、将所述左右心室与心肌分割结果转化为三维点云模型，并提取心室容积，完成对心脏MRI的分割。
本实施例中，将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型组成一个串联的心脏MRI自动分割模型：首先心脏MRI图像经过训练好的心脏MRI左右心室中心点检测模型得到左右心室的中心点检测结果，然后基于ROI提取方法得到心脏MRI图像的感兴趣区域和左右心室中心点距离信息，从而减少周围组织对分割的影响，最后将ROI数据和中心点距离信息输入到心脏MRI自动分割模型中，得到最终的左右心室与心肌分割结果。
本实施例中，通过对测试数据集的心脏MRI进行分割，将所得的自动分割结果与手工分割结果进行对比，并计算二者的DICE相似系数和Hausdorff距离，从而定量分析自动分割方法的性能。
本实施例中，利用移动立方体(Marching cube)算法将两阶段全卷积神经网络模型的心脏MRI分割结果转化为三维点云模型，便于医生全方位观察心脏的解剖结构，并基于二维测量法提取心室容积，最后基于标准定义计算心室的射血分数和质量，辅助医生对心脏MRI进行定量分析。
本发明采用两阶段全卷积网络模型，第一阶段的全卷积网络模型用于检测心脏MRI左右心室的中心点，该中心点信息用于生成心脏MRI感兴趣区域，从而降低周围相似组织的影响，同时，利用欧式距离变换生成左右心室的中心距离信息，作为第二阶段全卷积网络模型的先验信息，显著提高了心脏MRI左右心室与心肌的分割精度，同时，将第一阶段和第二阶段的模型过行串联，有效地提高了分割的精度。
实施例2
如图4所示，本发明提供了一种心脏MRI分割系统，包括：
数据获取模块，用于获取心脏MRI数据；
心脏MRI左右心室中心点检测模型构建模块，用于构建心脏MRI左右心室中心点检测模型，并利用所述心脏MRI数据对心脏MRI左右心室中心点检测模型进行训练；
提取模块，用于利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，并根据所述左右心室中心点位置信息提取感兴趣区域与中心点距离图；
心脏MRI分割模型构建模块，用于构建心脏MRI分割模型，并利用所述感兴趣区域与中心点距离图训练所述心脏MRI分割模型；
分割模块，用于将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型，并根据所述心脏MRI自动分割模型得到最终分割结果。
如图4所示实施例提供的心脏MRI分割系统可以执行上述方法实施例心脏MRI分割方法所示的技术方案，其实现原理与有益效果类似，此处不再赘述。

Claims (8)

1.一种心脏MRI分割方法，其特征在于，包括以下步骤：
S1、获取心脏MRI数据；
S2、构建心脏MRI左右心室中心点检测模型，并利用所述心脏MRI数据对心脏MRI左右心室中心点检测模型进行训练；
S3、利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，并根据所述左右心室中心点位置信息提取感兴趣区域与中心点距离图；
S4、构建心脏MRI分割模型，并利用所述感兴趣区域与中心点距离图训练所述心脏MRI分割模型；
S5、将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型，并根据所述心脏MRI自动分割模型得到最终分割结果。
2.根据权利要求1所述的心脏MRI分割方法，其特征在于，所述步骤S2中心脏MRI左右心室中心点检测模型包括依次连接的第一特征编码网络、第一特征解码网络、第一输出层和第二输出层；
所述第一特征编码网络为第一VGG-16卷积神经网络，用于提取心脏MRI图像的层次性特征；
所述第一特征解码网络，用于上采样所述心脏MRI图像的层次性特征，并将不同尺度的心脏MRI图像特征融合为一个具有尺度不变性的特征金字塔，所述特征解码网络包括第一采样层、第一卷积层和第一连接层；
所述第一输出层，用于利用softmax分类器预测心脏MRI图像像素属于左右心室中心点区域的概率；
所述第二输出层，用于利用sigmoid函数将多尺度特征映射转化为中心距离值。
3.根据权利要求2所述的心脏MRI分割方法，其特征在于，所述心脏MRI左右心室中心点检测模型的损失函数的表达式如下：
Figure FDA0003369567620000021
Figure FDA0003369567620000022
其中，L(·)表示心脏MRI左右心室中心点检测模型的损失函数，I,GC,DE,MC分别表示输入心脏MRI图像、左右心室中心点标记、左右心室中心点真实距离和掩膜，W表示心脏MRI左右心室中心点检测模型的所有参数，N表示像素个数，Wm(x)表示各像素的权重，x表示像素的位置，P(·)表示预测概率，y表示中心点类别标签，Gc(x)表示像素x的真实标签，Ω表示心脏MRI图像的空间域，Mc(x)表示标记的掩膜，DE(x,y)表示像素x与中心点标记y的距离，D(x,y)表示模型预测的距离值，λ1和λ2分别表示后两个损失项的权重值。
4.根据权利要求1所述的心脏MRI分割方法，其特征在于，所述步骤S3包括以下步骤：
S301、利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，得到左右心室中心点像素概率图和距离图；
S302、利用局部加权平均法，将所述左右心室中心点像素概率图和距离图进行融合；
S303、根据融合结果以及预设的感兴趣策略，分别提取心室基底部、中部和心尖部的感兴趣区域；
S304、利用欧氏距离变换法，生成图像域各像素至左右心室中心点的中心点距离图，完成对感兴趣区域与中心点距离图的提取。
5.根据权利要求5所述的心脏MRI分割方法，其特征在于，所述步骤S302中融合的表达式如下：
Figure FDA0003369567620000031
其中，PM(y＝k|x)表示融合后像素x属于类别k的概率值，y表示中心点类别标签，x*表示以像素位置x为中心、半径为a的区域，P(·)表示模型预测的像素概率值，k表示类别值，D(x*,y)表示模型预测的中心距离值，P(y＝k|x*)和D(x*,y)分别表示心脏MRI左右心室中心点检测模型输出的左右心室中心点像素概率图和距离图。
6.根据权利要求1所述的心脏MRI分割方法，其特征在于，所述步骤S4中心脏MRI分割模型包括依次连接的第二特征编码网络、第二解码网络以及第三输出层；
所述第二编码网络为第二VGG-16卷积神经网络，用于提取心脏MRI图像的全局特征；
所述第二解码网络包括第二上采样层、第二连接层和第二卷积层，所述第二上采样层用于将不同层次的特征映射融合为特征金字塔，所述第二连接层用于将左右心室中心点距离图融入至特征映射中；
所述第三输出层，用于获取左右心室的类别。
7.根据权利要求1所述的心脏MRI分割方法，其特征在于，所述步骤S5包括以下步骤：
S501、将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型；
S502、利用训练好的心脏MRI左右心室中心点检测模型提取左右心室的中心点检测信息；
S503、利用心脏MRI分割模型提取心脏MRI图像的感兴趣区域和左右心室中心点距离信息；
S504、将所述左右心室的中心点检测信息、感兴趣区域和左右心室中心点距离信息输入至心脏MRI自动分割模型，得到左右心室与心肌分割结果；
S505、将所述左右心室与心肌分割结果转化为三维点云模型，并提取心室容积，完成对心脏MRI的分割。
8.一种心脏MRI分割系统，其特征在于，包括：
数据获取模块，用于获取心脏MRI数据；
心脏MRI左右心室中心点检测模型构建模块，用于构建心脏MRI左右心室中心点检测模型，并利用所述心脏MRI数据对心脏MRI左右心室中心点检测模型进行训练；
提取模块，用于利用训练后的心脏MRI左右心室中心点检测模型提取心脏MRI数据中的左右心室中心点位置信息，并根据所述左右心室中心点位置信息提取感兴趣区域与中心点距离图；
心脏MRI分割模型构建模块，用于构建心脏MRI分割模型，并利用所述感兴趣区域与中心点距离图训练所述心脏MRI分割模型；
分割模块，用于将训练好的心脏MRI左右心室中心点检测模型与心脏MRI分割模型进行串联，构建心脏MRI自动分割模型，并根据所述心脏MRI自动分割模型得到最终分割结果。
CN202111394636.5A 2021-11-23 2021-11-23 一种心脏mri分割方法及系统 Withdrawn CN113902738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111394636.5A CN113902738A (zh) 2021-11-23 2021-11-23 一种心脏mri分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111394636.5A CN113902738A (zh) 2021-11-23 2021-11-23 一种心脏mri分割方法及系统

Publications (1)

Publication Number Publication Date
CN113902738A true CN113902738A (zh) 2022-01-07

Family

ID=79195044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111394636.5A Withdrawn CN113902738A (zh) 2021-11-23 2021-11-23 一种心脏mri分割方法及系统

Country Status (1)

Country Link
CN (1) CN113902738A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385468A (zh) * 2023-06-06 2023-07-04 浙江大学 一种基于斑马鱼心脏参数图像分析软件生成的系统
CN118212241A (zh) * 2024-05-22 2024-06-18 齐鲁工业大学(山东省科学院) 基于双阶段粒度网络的颈部mri图像分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385468A (zh) * 2023-06-06 2023-07-04 浙江大学 一种基于斑马鱼心脏参数图像分析软件生成的系统
CN116385468B (zh) * 2023-06-06 2023-09-01 浙江大学 一种基于斑马鱼心脏参数图像分析软件生成的系统
CN118212241A (zh) * 2024-05-22 2024-06-18 齐鲁工业大学(山东省科学院) 基于双阶段粒度网络的颈部mri图像分析方法

Similar Documents

Publication Publication Date Title
CN109493308B (zh) 基于条件多判别生成对抗网络的医疗图像合成与分类方法
CN109584254B (zh) 一种基于深层全卷积神经网络的心脏左心室分割方法
CN108364006B (zh) 基于多模式深度学习的医学图像分类装置及其构建方法
CN107506761B (zh) 基于显著性学习卷积神经网络的脑部图像分割方法及系统
CN113421652B (zh) 对医疗数据进行分析的方法、训练模型的方法及分析仪
WO2023071531A1 (zh) 一种基于深度形状学习的肝脏ct自动分割方法
CN112529839B (zh) 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN112258530A (zh) 基于神经网络的计算机辅助肺结节自动分割方法
Nurmaini et al. Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation
CN113781640A (zh) 基于弱监督学习的三维人脸重建模型建立方法及其应用
CN113570627B (zh) 深度学习分割网络的训练方法及医学图像分割方法
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
CN110729045A (zh) 一种基于上下文感知残差网络的舌图像分割方法
CN112884788B (zh) 基于丰富上下文网络的视杯视盘分割方法及成像方法
CN113902738A (zh) 一种心脏mri分割方法及系统
CN114693933A (zh) 基于生成对抗网络和多尺度特征融合的医学影像分割装置
CN112508884A (zh) 一种癌变区域综合检测装置及方法
CN115147600A (zh) 基于分类器权重转换器的gbm多模态mr图像分割方法
CN115512110A (zh) 一种涉及跨模态注意力机制的医学图像肿瘤分割方法
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
CN116091490A (zh) 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法
CN111462082A (zh) 一种病灶图片识别装置、方法、设备及可读存储介质
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN115471512A (zh) 一种基于自监督对比学习的医学影像分割方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220107