[发明专利]一种基于胎儿四腔心切面图像的多组织分割方法

说明书

本发明的一种基于胎儿四腔心切面图像的多组织分割方法，可解决现有的超声成像技术的局限性使得胎儿先心病的筛查工作负担较大而且准确率较低的技术问题。包括以下步骤：收集并获取胎儿四腔心切面图像数据；对获取的图像数据进行处理并将处理后的数据按设定比例分成训练集和测试集；基于深度学习框架搭建多组织分割模型，基于训练集对模型进行训练，并进行参数优化；基于优化后的多组织分割模型对处理后的测试集数据进行多组织分割。本发明可以实现四腔心切面的多组织自动分割，能实质性地减轻医生的和工作负担对临床经验的依赖性，减少临床上的人力需求，有利于基层医院的医生进行筛查与诊断，减少误诊与漏诊情况的出现。

技术领域

本发明涉及医学图像分割技术领域，具体涉及一种基于胎儿四腔心切面图像的多组织分割方法。

背景技术

在中国，先天性心脏病的发病率居常见的新生儿先天性出生缺陷之首，给家庭和社会造成严重的经济和心理负担。胎儿超声心动图是临床上检查识别胎儿先心病的唯一手段，而四腔心切面作为超声心动图的标准切面，是医生在筛查过程中必选的诊断切面。但超声成像技术的局限性使得胎儿先心病的筛查工作负担较大，对医生专业知识和临床经验的依赖性较高，导致医生使用四腔心切面进行诊断的准确率和效率较低，容易出现误诊与漏诊，错过最佳的干预引产时间。

在深度学习方法出现之前，超声图像分割的研究大多都是采用传统的图像分割方法，主要利用图像特征、形状信息、时间约束等先验信息进行图像分割，但这些方法在超声图像分割上实现的性能十分有限。而近些年来，应用于计算机视觉领域的深度学习方法日渐成熟，为实现医学影像的自动分析及辅助医生实现疾病的高精度智能诊断提供了新的契机。

发明内容

本发明提出的一种基于胎儿四腔心切面图像的多组织分割方法，可解决现有的超声成像技术的局限性使得胎儿先心病的筛查工作负担较大而且准确率较低的技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种基于胎儿四腔心切面图像的多组织分割方法，包括以下步骤：

S100、收集并获取胎儿四腔心切面图像数据，所述胎儿四腔心切面图像已经由临床医生标注过用于疾病筛查相关的结构；

S200、对步骤S100获取的图像数据进行灰度处理、图像归一化处理，并将处理后的数据按设定比例分成训练集和测试集；

S300、基于深度学习框架搭建多组织分割模型，并利用diceloss作为损失函数，基于步骤S200中的训练集对模型进行训练，用dice系数和像素准确率作为指标衡量其性能；

S400、基于步骤S300优化后的多组织分割模型对步骤S200处理后的测试集数据进行多组织分割。

进一步的，所述S300中基于深度学习框架搭建多组织分割模型具体为构建DW-Net模型，所述DW-Net模型包括串联组成的链式扩张卷积网络(Dilated ConvolutionalChain,DCC)即DCC模块和W-Net模块，是一个端到端(end-to-end)的卷积神经网络；

所述DCC模块用于从原始的胎儿超声四腔心切面图像中聚合多尺度的上下文信息，通过综合全局信息和局部信息实现目标区域(Region ofInterest,ROI)的准确定位；

所述W-Net用于通过两个串联的编码器-解码器(encoder-decoder)网络对DCC所得分割结果的边界进行平滑优化。

进一步的，所述S300基于深度学习框架搭建多组织分割模型，并利用dice loss作为损失函数，基于步骤S200中的训练集对模型进行训练，用dice系数和像素准确率作为指标衡量其性能；

具体步骤如下：