[发明专利]一种心肌灌注SPECT图像分割方法

权利要求书

1.一种心肌灌注SPECT图像分割方法，其特征在于，包括如下步骤：

获取左心室SPECT图像，对所述左心室SPECT图像进行处理，得到左心室三维图像，并对所述左心室三维图像进行纵向切割，获取左心长轴二维图像；

对所述左心长轴二维图像进行心肌轮廓标注，得到位置标签，并划分训练集和测试集；

根据所述训练集和测试集进行网络训练，得到图像分割模型；

基于所述图像分割模型进行心肌灌注SPECT图像分割。

2.根据权利要求1所述的心肌灌注SPECT图像分割方法，其特征在于，所述对所述左心长轴二维图像进行心肌轮廓标注，包括：对所述左心长轴二维图像的心内膜、室中心和心外膜轮廓进行标注。

3.根据权利要求1所述的心肌灌注SPECT图像分割方法，其特征在于，所述对所述左心长轴二维图像进行心肌轮廓标注，得到位置标签，并划分训练集和测试集，包括：

对所述左心长轴二维图像进行心肌轮廓标注，得到位置标签，标注后的数据经过确定后，作为金标准数据，然后划分训练集和测试集。

4.根据权利要求1所述的心肌灌注SPECT图像分割方法，其特征在于，所述划分训练集和测试集，包括：采用5折交叉验证方法划分训练集和测试集。

5.根据权利要求3所述的心肌灌注SPECT图像分割方法，其特征在于，所述根据所述训练集和测试集进行网络训练，得到图像分割模型，包括：

将动态规划算法生成的心肌轮廓作为形状先验和原始SPECT图像同时输入到预设的3DV-Net模型中，产生初步的分割结果，然后将所述3D V-Net模型的输出结果作为STN空间变换网络的输入，并根据形状先验对STN空间变换网络进行调整，最后联合3D V-Net模型和STN空间变换网络进行网络训练，得到所述图像分割模型。

6.根据权利要求5所述的心肌灌注SPECT图像分割方法，其特征在于，所述3D V-Net模型使用基于Python的TensorFlow框架搭建得到。

7.根据权利要求5所述的心肌灌注SPECT图像分割方法，其特征在于，所述将动态规划算法生成的心肌轮廓作为形状先验和原始SPECT图像同时输入到预设的3D V-Net模型中，产生初步的分割结果，包括：

初始化所述STN空间变换网络的权重；

将所述形状先验和原始SPECT图像二值化掩膜裁剪为预设尺寸的图像，然后输入到所述3D V-Net模型中，所述3D V-Net模型输出所述预设尺寸的左心室心肌轮廓概率图，其中，大于0.5的概率图被进行阈值分割，转化为二进制分割结果。

8.根据权利要求7所述的心肌灌注SPECT图像分割方法，其特征在于，所述将所述3D V-Net模型的输出结果作为STN空间变换网络的输入，并根据形状先验对STN空间变换网络进行调整，包括：

初始化所述3D V-Net模型的权重；

将所述3D V-Net模型的输出结果和形状先验输入至STN空间变换网络中，输出非刚性仿射变换矩阵的参数；根据所述STN空间变换网络中的形状变形模块依次进行图像特征提取，转化为一维的特征向量，生成相应的转换矩阵；

根据所述非刚性仿射变换矩阵的参数对所述3D V-Net模型的输出结果进行刚性变换，然后根据变换后的概率图与所述金标准数据之间的差异调整形状变形模块的权值。