[发明专利]基于U形神经网络模型的心脏右心室分割方法

说明书

基于卷积神经网络的心脏右心室图像分割方法，依次包括如下步骤：（1）选取数据集和基本模型：由于心脏磁共振图像的采集很困难，数据难以大量获取，因此实验选用MICCAI提供的数据集，Unet网络模型对医学图像分割效果较好；（2）对获取的实验数据集进行预处理：根据右心室轮廓数据在结合polygon函数制作标准掩膜图像，然后把原始图像做自适应直方图均衡化处理，在通过旋转、垂直翻转、水平翻转等操作进行数据扩充；（3）数据划分：把预处理后的图像数据划分为训练集、测试集和验证集三大块；（4）对预处理后的数据改进损失函数；（5）右心室分割的评价指标；（6）对原始网络进行改进；（7）进行心脏图像右心室分割；本发明所述的方法提高了心脏右心室分割的准确度，方法简便，易于实施。

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种基于U形神经网络模型的心脏右心室分割方法。

背景技术

心血管疾病属于高发病率，高危险的疾病，已经严重威胁到人们的身体健康。根据相关机构的最新报道，每一年大约有1770 万人死于心血管疾病，心血管疾病的及早发现对于病患的治疗有非常重要的意义。心室分割结果对于心血管疾病诊断很重要，利用心室分割的结果可以计算出心脏收缩末期和舒张末期容积，射血分数。另外一方面还可利用分割结果对心肌形态进行判断。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。

随着大规模标记数据的出现和计算机的发展，利用深度学习算法来实现心脏的自动分割已经成为当前研究的热点。其中，2015年，Olaf Ronneberger基于全卷积网络（FullyConvolutional Networks，FCN）模型提出了针对医学图像分割的U-Net模型。U-Net网络与FCN都拥有经典的编码-解码拓扑结构，但是U-Net拥有对称的网络结构和跳跃连接，并且在心脏图像的分割上U-Net的结果比FCN更加优秀。针对心脏图像分割精度难以提升的问题，研究者在U-Net基础上进行的改进研究大致可分为两类：基于2D U-Net构架的改进研究，基于3D U-Net构架的改进研究。虽然3D网络充分利用了MR图像的三维特征，但是在训练网络中由于参数数量较大，网络很难从头训练，并且存在对GPU、内存等消耗过大的问题。因此2D网络，在心脏分割任务上受到研究者的青睐。结合上述方法，以提高分割精度为目标，本发明提出了一种基于U形网络的心脏右心室分割方法，主要用来解决分割心脏右心室边界精度不高的问题。

发明内容

本发明旨在提供一种分割准确度高的基于U形网络的心脏右心室分割方法。

为解决上述技术问题，本发明提供了如下的技术方案：基于U形神经网络模型的心脏右心室分割方法，依次包括如下步骤：

（1）选取数据集和基本模型：由于心脏磁共振图像的采集很困难，数据难以大量获取，因此实验选用MICCAI提供的数据集，Unet网络模型对医学图像分割效果较好；

（2）对获取的实验数据集进行预处理：根据右心室轮廓数据在结合polygon函数制作标准掩膜图像，然后把原始图像做自适应直方图均衡化处理，在通过旋转、垂直翻转、水平翻转等操作进行数据扩充。

（3）数据划分：把预处理后的图像数据划分为训练集、测试集和验证集三大块；

（4）根据公式（1）对获取到的实验数据进行预处理；

；……（1）

其中x是转化前的像素值，y是经过处理后的像素值，；和分别对应图像像素值的最大和最小。

（5）对预处理后的数据改进损失函数，得到公式（2），