一种基于Attention的多尺度扩张性心肌的分割分类方法技术

本发明专利技术涉及一种基于Attention的多尺度扩张性心肌的分割分类方法。包括以下步骤：收集若干例患扩张性心肌病的病例，采集其心肌部位MRI图像数据；对上一步骤收集的MRI图像数据的病变区域逐层进行人工边缘标注，作为标签数据；对上一步骤得到的标签数据进行标准化预处理并转成二维数据集；构建基于Attention的多层二维卷积神经网络，使用上一步骤中的二维数据集进行训练；对于待分割分类的心肌部位MRI图像数据，采集同部位同样模态的医学图像，对采集的图像进行标准化处理；通过训练得到的网络模型，对待分割分类的心肌部位MRI图像数据进行自动分割分类。本发明专利技术可以实现对于扩张性心肌区域的自动分割和分类，且与主流网络对比能取得较高的精度。

【技术实现步骤摘要】
一种基于Attention的多尺度扩张性心肌的分割分类方法
本专利技术涉及图像分割领域中的扩张性心肌图像分割分类
，具体的说是一种基于Attention的多尺度扩张性心肌的分割分类方法。
技术介绍
扩张性心肌病(dilatedcardiomyopathy，DCM)是一种原因未明的原发性疾病，是我国高发性心肌疾病之一。发病率非常高，DCM的年发病率5/100000～8/100000人，并有不断增高的趋势，男性多于女性(2.5∶1)，平均发病年龄约40岁。患者的临床表现轻重不一，许多有症状的患者其病情多为进行性恶化，有10％～15％患者在一年内出现心力衰竭症状。据估计典型伴有心力衰竭的患者人群，其年死亡率为11％～13％。与其他类型的心肌疾病相比，扩张性心肌病具有更复杂的解剖结构。扩张性心肌病在空间上与处理类似图像强度的几种组织(空气，骨骼，肌肉和粘膜)很相似，且扩张性心肌的形状和大小、以及非均匀心肌强度方面差异较大，因此，需要设计特定的分割方法。而且扩张性心肌的诊断具有局限性，临床医生需要借助医学专业知识手动查阅或标注扩张性心肌的边界。为了提高处理效率和扩张性心肌定位的准确性，临床医生通常借助计算机辅助工具来处理任务，因此采用计算机自动分割算法来辅助医生精准定位扩张性心肌成为一种必要需求。近几年来，随着科学技术的发展，图像的大小和数量都在增加，这给传统的人工诊断带来极大的挑战，使得使用就计算机进行处理和分析变得十分必要。其中，医学图像分割技术是医学图像处理和分析中的关键技术。医学图像分割是按照某种特征(如灰度、纹理等特征)将图像分成一些有意义的区域。在这些区域内部，其特征往往是相同的或相似的，而相邻域彼此特征则不同，区域之间存在边界。从医学研究和临床应用的角度看，图像分割是对医学影响图像进行分析处理，从而把感兴趣的区域提取出来，并且使其尽可能地接近临床解剖的结果，这样能够为临床诊断以及病例分析提供可靠的依据。最近，基于深度学习的自然图像分割技术被广泛研究与应用，这也促进了医学图像分割的发展。然而，由于自然图像和医学图像差异性较大，特别是在组织结构和形状大小方面与自然图像差异巨大，因此，直接把深度学习技术用于医学图像仍然是一个难题。近年来，大量文献提出了各种基于深度学习的图像算法用于有效解决不同的分割分类问题。注意力机制(Attentionmechanism)是一种Encoder+Decoder模型的效果机制(Mechanism)，一般称为AttentionMechanism。AttentionMechanism目前非常流行，广泛应用于机器翻译、语音识别、图像标注(ImageCaption)、图像分类、图像分割等很多领域，之所以它这么受欢迎，是因为Attention给模型赋予了区分辨别的能力，例如，在机器翻译、语音识别应用中，为句子中的每个词赋予不同的权重，使神经网络模型的学习变得更加灵活(soft)，同时Attention本身可以作为一种对齐关系，解释翻译输入/输出句子之间的对齐关系，解释模型到底学到了什么知识，为我们打开深度学习的黑箱，提供了一个窗口。注意力机制在序列学习任务上具有巨大的提升作用，在编解码器框架内，通过在编码段加入A模型，对源数据序列进行数据加权变换，或者在解码端引入A模型，对目标数据进行加权变化，可以有效提高序列对序列的自然方式下的系统表现。Attention的出现及大量使用，大大降低了计算机在处理高维数据集的计算量，并且使得网络更加注重于任务相关且有用的特征信息，抑制无用的特征信息。因此，Attention机制的使用能够有效的提高分类精度以及分割的准确率。在本文中，我们采用一种基于卷积的Encoder+Decoder网络来实现Attention机制。卷积神经网(ConvolutionalNeuralNetwork，CNN)是一种典型的深度神经网络，它主要有三个特点：局部感受野、权值共享和子采样。局部感受野是指CNN中的每一层将接受上一下中，位于同一个领域内的神经元作为输入。局部感受野使得网络可以借助学习对象的空域或时域中的局部性特点，提取到有用的特征。权值共享则指一层中，各个局部感受野之间的权值是相同的，也就是每层的参数数量只需要有一个局部感受野大小。子采样是指通过一定的策略对信号进行采样，以降低噪声的影响，并减少计算量。CNN被广泛应用于图像处理中，特别是在图像分割方面，卷积神经网络已经取得了较好的效果。卷积神经网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。卷积神经网络CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习。再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。这种优势降低了为不同任务开发不同算法的成本，但训练CNN需要大量手动标注的训练数据。目前国内外大量的研究者利用卷积神经网络做医学图像分割及分类，主要是在细胞图像、心血管图像、大脑图像等方面，而做扩张性心肌图像分割的相对较少。Korez等人提出了FCN网络结构，并将3DFCN网络分割出的脊椎结构用形变模型算法进行优化，进一步提高了脊柱MR图像的分割准确率。ZhouX等人将FCN算法和多数投票算法相结合，在人体躯干CT图像中分割出了19个目标。在网络训练过程中，将经过每一个像素点的矢状面、轴状面、冠状面的CT图像分别输入至2DFCN网络进行训练，并用3DMajorityVoting算法对三幅图像的分割结果进行表决，得到最后的分割结果。但是，该种处理方式会产生两个问题：大量的冗余计算导致时间效率低下、以及网络无法学习全局特征。U-net网络提出后，在医学图像分割领域表现优秀，许多研究者均采用U-net网络结构做医学图像分割，并在U-net网络结构基础上提出改进。U-Net结构中一个重要的结构块是跳跃连接，这类网络结构在下采样阶段对图像进行卷积来提取多尺度的图像信息，然后在上采样阶段进行反卷积将特征映射恢复到原始图像的分辨率大小，最后将卷积层的特征映射连接到反卷积层的特征映射。该类网络横向连接特征映射，加强了图像低层特征的传递和特征重。等人提出3DU-net网络结构，该结构通过输入3D图像连续的2D切片序列实现3D图像分割。Milletari等人提出了U-net网络结构的一种3D变形结构V-net，V-net结构使用Dice系数损失函数代替传统的交叉熵损失函数，且使用3D卷积核对图像进行卷积，通过1x1x1的卷积核减少通道维数。Drozdzal等人提出在U-net网络结构中不仅可以使用长跳跃连接结构，也可以使用短跳跃连接结构。在病灶分割任务中本文档来自技高网...

【技术保护点】
1.一种基于Attention的多尺度扩张性心肌的分割分类方法，其特征在于，包括以下步骤：步骤1：收集若干例患扩张性心肌病的病例，采集其心肌部位MRI图像数据；步骤2：对步骤1收集的MRI图像数据的病变区域逐层进行人工边缘标注，作为标签数据；步骤3：对步骤2得到的标签数据进行标准化预处理并转成二维数据集；步骤4：构建基于Attention的多层二维卷积神经网络，并使用步骤3中的二维数据集进行训练；步骤5：对于待分割分类的心肌部位MRI图像数据，采集同部位同样模态的医学图像，使用步骤3的方法对采集的图像进行标准化处理；步骤6：通过步骤4训练得到的网络模型，对待分割分类的心肌部位MRI图像数据进行自动分割分类。

【技术特征摘要】
1.一种基于Attention的多尺度扩张性心肌的分割分类方法，其特征在于，包括以下步骤：步骤1：收集若干例患扩张性心肌病的病例，采集其心肌部位MRI图像数据；步骤2：对步骤1收集的MRI图像数据的病变区域逐层进行人工边缘标注，作为标签数据；步骤3：对步骤2得到的标签数据进行标准化预处理并转成二维数据集；步骤4：构建基于Attention的多层二维卷积神经网络，并使用步骤3中的二维数据集进行训练；步骤5：对于待分割分类的心肌部位MRI图像数据，采集同部位同样模态的医学图像，使用步骤3的方法对采集的图像进行标准化处理；步骤6：通过步骤4训练得到的网络模型，对待分割分类的心肌部位MRI图像数据进行自动分割分类。2.根据权利要求1所述的一种基于Attention的多尺度扩张性心肌的分割分类方法，其特征在于，所述步骤3包括以下步骤：步骤3.1：在所述标签数据中选择包含扩张性心肌的心肌区域图像；步骤3.2：对步骤3.1中选择的心肌区域图像进行重新采样至预定分辨率；步骤3.3：对步骤3.2得到的心肌区域图像进行归一化处理；步骤3.4：将归一化处理后的心肌图像裁剪成预设的固定尺寸并转成二维数据集。3.根据权利要求2所述的一种基于Attention的多尺度扩张性心肌的分割分类方法，其特征在于，所述步骤3.3的归一化处理将图像的像素值归一化到0～255之间。4.根据权利要求2所述的一种基于Attention的多尺度扩张...

【专利技术属性】
技术研发人员：李孝杰，罗超，陈玉成，吴锡，刘书樵，李俊良，张宪，伍贤宇，夏朝阳，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川,51