[发明专利]一种心肌灌注SPECT图像分割方法

说明书

本发明涉及医学图像分割技术领域，具体涉及一种心肌灌注SPECT图像分割方法，获取左心室SPECT图像，对左心室SPECT图像进行处理，得到左心室三维图像，并对左心室三维图像进行纵向切割，获取左心长轴二维图像；对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；根据训练集和测试集进行网络训练，得到图像分割模型；基于图像分割模型进行心肌灌注SPECT图像分割，相较于现有的图像分割方法，本发明提供的图像分割方法的分割精度较高。

技术领域

本发明涉及医学图像分割技术领域，具体涉及一种心肌灌注SPECT图像分割方法。

背景技术

门控SPECT心肌灌注成像(Myocardial Perfusion SPECT，MPS)在评估左心室功能时，具有较高的准确性和极好的效/价比，因此被广泛用于冠心病的无损诊断。MPS在对左心室进行定量分析时，需要先在灌注图像上准确描绘心内膜、室中心和心外膜轮廓，然后计算相关功能指标。由于心脏的形状各异，目前还需要依赖于医生的经验手动调整分割位置。因此，亟需一种精准、可重复性以及全自动的分割算法，以提高定量分析的准确性。

目前常用的商业软件在提取心内膜和心外膜表面时，是通过识别最大心肌计数，然后应用经验标准差或阈值的高斯拟合来估计心肌轮廓，这种方法会在评估心肌体积时产生误差。尤其是在应用到小心脏的患者中，左心射血分数被高估，且在女性患者中误差更大。

深度学习能够自动学习数据潜在分布的高层次特征，并且它的分割精度和时间效率己经远远超过传统图像分割算法。近年来，它已经逐渐应用至医学图像分割领域中。比如：有研发人员使用一个多类3D V-Net，在门控MPS图像中自动分割心内膜和心外膜，并计算相应的左心室容积。该模型在正常患者中心内膜，室中心，心外膜的平均DSC值分别为0.907、0.926、0.965。它的心内膜的豪斯多夫距离是8.402，心外膜是8.631。有研发人员基于动态规划工具生成初步的数据集，然后人工调整误差较大的数据，再使用U-Net网络确定心肌轮廓。此模型在门控MPS图像上对心内膜，室中心，心外膜分割的平均DSC分别为0.9222、0.9580、0.9748，豪斯多夫距离分别是7.4767、7.7911、8.0003。

然而，现有的深度学习方法在门控MPS图像中的分割精度较低。

发明内容

本发明提供一种心肌灌注SPECT图像分割方法，用以解决现有的图像分割精度较低的技术问题。

本发明采用以下技术方案：

一种心肌灌注SPECT图像分割方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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：