[发明专利]一种用于识别心肌梗死的相对运动学习方法及装置

说明书

本发明公开了一种用于识别心肌梗死的相对运动学习方法及装置，提供了一种用于识别心肌梗死的相对运动学习方法及装置，通过U‑Net模型分割心肌内膜与心肌外膜，对心肌进行运动特征和灰度特征信息的提取，以ResMLP网络为核心搭建神经网络，识别基于电影图像的心肌梗死区域，本发明以外膜中心为原点，10度的角度间隔做射线，得到其与心肌内膜和外膜交点，之后进行内外膜中心点周围81个像素的像素特征的提取，本方法的分割充分考虑到了心肌不同厚度处梗死情况的差异，使输出结果更具有代表性。另一方面，本方法只需提取灰度信息特征而无需计算较为复杂的距离特征，在数据预处理方面更为简单、迅速。

技术领域

本发明专利涉及医学图像分析技术领域，具体地说，是一种用于识别心肌梗死的相对运动学习方法及装置。

背景技术

心肌梗死一般指冠状动脉持续性缺血缺氧所引起的心肌坏死。急性期临床上多表现为剧烈而持久的胸骨后疼痛，休息及硝酸酯类药物不能完全缓解，伴有血清心肌酶活性增高及进行性心电图变化，可并发心律失常、休克或心力衰竭，常可危及生命。心脏磁共振可以直观评价心肌收缩功能、心肌形变等特征，对于心肌梗死的预防、诊断具有重要的意义。

在临床工作中，钆剂延迟增强(LGE)-心脏核磁共振成像(CMR)被认为是目前在体无创性检测梗死区域的金标准。然而，这种方式存在一定的危险，因为钆造影剂是慢性终末期肾病患者的禁忌症。根据美国肾脏数据系统，超过40％的慢性肾脏病患者患有心血管疾病，而大约20％的心肌梗死患者伴有慢性肾病。此外，最近的研究表明，钆剂可能会沉积在肾功能正常患者的皮肤、齿状核和苍白球中。因此，若在没有造影剂的情况下直接识别心肌梗死区域将会是一个巨大的临床进步，不仅可用于识别心肌梗死的存在、位置和透壁范围，还可以预测缺血性心脏病中功能障碍心肌节段的恢复。

在深度学习技术出现前，主要有三种方法用于无造影剂的心肌梗死区域分割。其中第一种方法，如Noble等人2002年在《医学与生物学中的超声波》提出的统计学图像序列对齐方法，建立了核磁共振图像帧之间的对应关系，并通过计算心肌的位移，从图像序列中快速提取运动特征。第二种方法是Shi和Liu于2003年在《医学影像分析》杂志上发表的，引入了不同的正则化策略来从医学图像序列中估计心脏运动。第三种方法是Hufnagel等人2008 年在《国际计算机辅助放射外科杂志》上提出的统计形状建模方法，其试图通过建模可能的运动和形状的统计表示来引入先验知识来克服数据的内在复杂性。尽管上述方法在一定程度上取得了成功，但在应用于临床环境中仍存在一些问题。

由于深度学习技术的蓬勃发展，近几年深度学习在心脏核磁共振成像(CMRI)的处理的应用显著增加，尤其是在心脏结构分割方面。也有研究组尝试将深度学习用于无造影剂的心肌梗死分割，通过深度学习来检测心脏的形态学和运动学异常，从而进行心肌梗死的识别和定位。

2017年，在第八届心脏统计图谱和计算模型国际研讨会上，Khened等人提出了一种全自动的深度学习网络。训练数据经过傅里叶分析处理用于感兴趣区域提取，通过使用双重成本函数(即加权交叉熵和Dice系数)进行训练来优化网络的参数，从而实现使用密集卷积神经网络(DenseNet)从心脏磁共振(MR)图像中分割左心室、右心室和心肌。将提取的11 个心肌特征参数使用随机森林分类器于自动心脏病诊断，可以初步诊断出患者是否患有扩张型心肌病(DCM)、肥厚型心肌病(HCM)、心肌梗塞(MNF)等疾病。

2018年，Baessler等人在《放射学》杂志和发表文章，基于再现性、机器学习和相关分析，采用逐步降维和纹理特征选择来选择特征，以延迟增强(DE)图片为参考标准，对无造影剂CMRI图像进行心肌梗死诊断。该实验表明，对无造影剂CMRI图像进行纹理分析，可以区分心肌梗死导致的缺血性瘢痕和正常心肌，从而可以诊断亚急性和慢性心肌梗死，具有较高的准确性。其为之后通过学习梗死区域的像素特征来诊断心肌梗死奠定了基础。