超声图像左室心肌的分割方法、系统及应用技术方案

本发明专利技术属于图像处理技术领域，公开了一种超声图像左室心肌的分割方法、系统及应用，获取超声数据，将数据分为训练集、验证集和测试集并标记；增强训练集样本多样性，截取左室心肌大致区域，对数据做直方图均衡化、归一化操作；使用Pytorch实现分割网络，保存在验证集上性能最好的模型；基于分割的结果，测量厚度。本发明专利技术基于卷积神经网络的超声图像左室心肌的分割方法，能够自动的分割舒张末期的左室心肌，并在网络中加入左室心肌的形状信息辅助网络学习，提出的混合损失函数分别从3个角度进行优化，学习的时候进一步加强边界信息；基于分割的结果能自动的测量厚度，整个过程无需任何后处理。

【技术实现步骤摘要】
超声图像左室心肌的分割方法、系统及应用
本专利技术属于图像处理
，尤其涉及一种超声图像左室心肌的分割方法、系统及应用。
技术介绍
目前，肥厚型心肌病(hypertrophiccardiomyopathy，HCM)是一种常见的常染色体显性遗传性心血管疾病，在人群中的发病率约1：500-1：200，病死率约1.4％-2.2％，可导致胸闷、胸痛、呼吸困难、反复晕厥、心房颤动、室性心动过速、心力衰竭甚至猝死等严重后果，是年轻人和运动员猝死的最常见原因。目前HCM主要诊断标准为左心室壁肥厚，通常指二维超声心动图测量的室间隔或左心室壁厚度≥15mm，或者由明确家族史者厚度≥13mm，通常不伴有左心室腔的扩大，需排除负荷增加如高血压、主动脉瓣狭窄和先天性主动脉瓣下隔膜等引起的左心室壁增厚。由于超声具有无辐射、非侵入性、实时等诸多优点，在筛查患者是否患有HCM时通常作为首选的成像模态；然而，由于超声图像信噪比低，从图像中确定心内膜、心外膜边界需要医生具备丰富的临床经验，这个过程可重复性差，而且每个医生确定的边界不同，导致测量的厚度有差异。因此，开发一套有效的计算机辅助自动分割左室心肌的方法并自动的测量厚度具有重要的临床研究意义。通过上述分析，现有技术存在的问题及缺陷为：(1)现有的技术判断病人是否心肌肥厚，主要是凭借医生丰富的临床经验，找到心内膜、心外膜的边界来测量厚度，看测量值是否达到了肥厚性心肌病的诊断标准，但该过程重复性差，而且由于临床经验不同，测量的厚度有差异。(2)传统的机器学习方法，首先需要手动的提取特征，但是由于不同的HCM患者左室心肌解剖结构差异大；而且像传统的分割方法如图谱分割需要较长的时间。解决以上问题及缺陷的难度为：数据量对模型的泛化性至关重要，但相对于自然图像，医学图像往往比较匮乏，而且标记数据的过程耗时、耗力还需具备丰富的临床经验，因此需要解决数据量少的问题；在超声图像中，左室心肌只占据着整幅图像的小部分，因此需要解决正负样本比例失衡的问题；还有心内膜、心外膜边界不清晰的问题。解决以上问题及缺陷的意义为：通过扩充数据，增加训练集样本的多样化，训练的模型泛化性更好；正负样本比例均衡模型学习的时候将对样本赋予同样的权重；网络学习的时候加入边界信息能有效的减轻过分割、欠分割的现象。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种超声图像左室心肌的分割方法、系统及应用。本专利技术是这样实现的，一种超声图像左室心肌的分割方法，所述超声图像左室心肌的分割方法包括：获取超声数据，将数据分为训练集、验证集和测试集并标记；增强训练集样本多样性，截取左室心肌大致区域，对数据做直方图均衡化、归一化操作；使用Pytorch实现分割网络，保存在验证集上性能最好的模型；基于分割的结果，测量厚度。进一步，所述超声图像左室心肌的分割方法具体包括：(1)选取舒张末期的帧数据，原图像大小是600*800；(2)将数据按照8：1：1分为训练集、验证集和测试集；(3)在医生的监督下完成100例数据的标记；(4)截取左室心肌的大致区域，将尺寸大小统一到448*448，并对数据做直方图均衡化、归一化操作；(5)使用Pytorch实现网络框架；(6)提出一个混合损失函数；(7)在训练网络的时候本专利技术加入左室心肌的形状信息来辅助网络学习；(8)通过Adam优化算法优化网络，得到训练好参数的网络；(9)在测试集上进行测试，评估算法性能；(10)基于分割结果，测量厚度。进一步，所述(4)对超声数据进行预处理包括：1)通过旋转增大训练集的样本；2)在超声数据上截取左室心肌的大致区域，将所有数据的尺寸调整一致，对图像做直方图均衡化；3)计算出训练集的均值以及标准差，训练集、验证集跟测试集分别减均值，再除以标准差，完成数据归一化。进一步，所述(5)使用Pytorch编程实现网络框架包括：1)使用Pytorch实现分割网络，整个分割网络由两个类似encoder-decoder的架构通过级联而成，在两个网络中，使用ASPP模块获取高层次的文本信息。第一个网络以resnet34为编码器，在解码器部分，每个模块将对应的编码器部分的特征图进行相加弥补由于连续的步长卷积导致的高层次的信息丢失的问题；2)第二个网络的编码器部分使用了空洞卷积来增大感受野，解码器使用了残差网络。进一步，所述(6)提出的混合损失函数，各个函数如下：1)使用交叉熵损失函数从像素的角度优化：2)使用DiceLoss从特征图的角度优化：3)使用MS-SSIMloss从块的角度进行优化：分割损失函数：Lseg＝Lbce+Lms-ssim+Ldice。进一步，所述(7)将左室心肌的形状信息添加到网络中包括：1)在第一个网络中，再添加一个解码器模块，该模块用边界监督，以sigmod为激活函数，交叉熵为损失函数；2)在第二个网络的输出再添加卷积核大小为3的卷积，以sigmod为激活函数，而以边界作为监督，交叉熵为损失函数。进一步，所述(8)通过Adam优化算法优化网络包括：1)使用二维卷积神经网络训练二维数据，batchsize设为4；2)学习率的初始值设定为1e-4；3)权重衰减系数设为0.0005。本专利技术的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取超声数据，将数据分为训练集、验证集和测试集并标记；增强训练集样本多样性，截取左室心肌大致区域，对数据做直方图均衡化、归一化操作；使用Pytorch实现分割网络，保存在验证集上性能最好的模型；基于分割的结果，测量厚度。本专利技术的另一目的在于提供一种运行所述超声图像左室心肌的分割方法的超声图像左室心肌的分割系统，所述超声图像左室心肌的分割系统包括：超声数据采集模块，用于获取超声数据，将数据分为训练集、验证集和测试集并标记；超声数据处理模块，用于增强训练集样本多样性，截取左室心肌大致区域，对数据做直方图均衡化、归一化操作；分割网络模块，用于使用Pytorch实现分割网络，保存在验证集上性能最好的模型；厚度测量模块，用于基于分割的结果，测量厚度。本专利技术的另一目的在于提供一种图像处理系统，所述图像处理系统搭载所述的超声图像左室心肌的分割系统。结合上述的所有技术方案，本专利技术所具备的优点及积极效果为：本专利技术包括在二维超声心动图上选取舒张末期的帧数据；在医生的监督下完成数据的标记，然后将数据集分为训练集、验证集和测试集；对超声数据进行预处理，通过旋转增大训练集的样本，在原图中截取左室心肌的区域并将图像调整到同样的大小，由于超声图像信噪比低，对数据做直方图均衡化、归一本文档来自技高网...

【技术保护点】
1.一种超声图像左室心肌的分割方法，其特征在于，所述超声图像左室心肌的分割方法包括：/n获取超声数据，将数据分为训练集、验证集和测试集并标记；/n增强训练集样本多样性，截取左室心肌大致区域，对数据做直方图均衡化、归一化操作；/n使用Pytorch实现分割网络，保存在验证集上性能最好的模型；/n基于分割的结果，测量厚度。/n

【技术特征摘要】
1.一种超声图像左室心肌的分割方法，其特征在于，所述超声图像左室心肌的分割方法包括：
获取超声数据，将数据分为训练集、验证集和测试集并标记；
增强训练集样本多样性，截取左室心肌大致区域，对数据做直方图均衡化、归一化操作；
使用Pytorch实现分割网络，保存在验证集上性能最好的模型；
基于分割的结果，测量厚度。


2.如权利要求1所述的超声图像左室心肌的分割方法，其特征在于，所述超声图像左室心肌的分割方法具体包括：
(1)选取舒张末期的帧数据，原图像大小是600*800；
(2)将数据按照8：1：1分为训练集、验证集和测试集；
(3)在医生的监督下完成100例数据的标记；
(4)截取左室心肌的大致区域，将尺寸大小统一到448*448，并对数据做直方图均衡化、归一化操作；
(5)使用Pytorch实现网络框架；
(6)提出一个混合损失函数；
(7)在训练网络的时候本发明加入左室心肌的形状信息来辅助网络学习；
(8)通过Adam优化算法优化网络，得到训练好参数的网络；
(9)在测试集上进行测试，评估算法性能；
(10)基于分割结果，测量厚度。


3.如权利要求2所述的超声图像左室心肌的分割方法，其特征在于，所述(4)对超声数据进行预处理包括：
1)通过旋转增大训练集的样本；
2)在超声数据上截取左室心肌的大致区域，将所有数据的尺寸调整一致，对图像做直方图均衡化；
3)计算出训练集的均值以及标准差，训练集、验证集跟测试集分别减均值，再除以标准差，完成数据归一化。


4.如权利要求2所述的超声图像左室心肌的分割方法，其特征在于，所述(5)使用Pytorch编程实现网络框架包括：
1)使用Pytorch实现分割网络，整个分割网络由两个类似encoder-decoder的架构通过级联而成，在两个网络中，使用ASPP模块获取高层次的文本信息；第一个网络以resnet34为编码器，在解码器部分，每个模块将对应的编码器部分的特征图进行相加弥补由于连续的步长卷积导致的高层次的信息丢失的问题；
2)第二个网络的编码器部分使用了空洞卷积来增大感受野，解码器使用了残差网络。


5.如权利要求2所述的超声图像左室心肌的分割方...

【专利技术属性】
技术研发人员：任胜寒，王永兵，王倩，胡芮，赵恒，刘丽文，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61