一种基于深度学习的CT影像全心脏分割方法技术

本发明专利技术公开了一种基于深度学习的CT影像全心脏分割方法；涉及医学图像领域；在网络编码阶段中引入残差模块，增强了网络捕捉全心脏子结构特征的能力。在解码阶段引入基于注意力机制的多尺度融合模块，该模块在反卷积之后融合多尺度特征并进行特征重利用，更好的融合了低级特征和高级特征。同时将加权交叉熵损失函数和加权DICE损失函数结合解决了类失衡问题，在分割细节上起到了良好的驱动作用。本发明专利技术实现方法简单，自动将全心脏分成7个子结构，包括左心房、左心室、左心室心肌、右心房、右心室、肺动脉、升动脉，测试一个数据只需几秒钟，极大的减少了医生投入的时间和学习成本，处理过程不需要人工交互，达到了应用的要求。达到了应用的要求。达到了应用的要求。

【技术实现步骤摘要】
一种基于深度学习的CT影像全心脏分割方法


[0001]本专利技术涉及医学图像领域，尤其涉及一种基于深度学习的CT影像全心脏分割方法。

技术介绍

[0002]心脏是人体重要器官之一，承担着人体重要的功能。全心脏分割是指将心脏分成7个子结构，主要是指左心室(LV)、左心室心肌(Myo)、左心房(LA)、右心房(RA)、右心室(RV)、肺动脉(PA)、升动脉(AA)。文献(中国心血管健康与疾病报告编写组.中国心血管健康与疾病报告2020概要[J].中国循环杂志,2021,36(6):521
‑
545.)指出心血管疾病居我国城乡居民死亡之首，农村占46.6％，城市占43.81％，并且据估计我国约有3.3亿人患有心血管疾病。全心脏分割可以提取射血分数、心脏腔室容积、心肌厚度等临床指标，是医生进行功能分析、诊断和治疗的基础，在临床研究中具有重大意义。全心分割难点主要在于心脏子结构之间灰度值相近，导致边界像素点分类困难，其次背景像素点数量多于前景像素点数量导致类别不平衡问题严重。在深度学习兴起之前，全心脏分割主要方法是可形变模型和图谱法，然本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的CT影像全心脏分割方法，其特征在于：包括以下步骤：步骤1：输入待分割三维医学图像，并根据该图像的大小将其定义为大小为C
×
H
×
W3维特征数组，表示为：图像X(C
×
H
×
W)；步骤2：对步骤1中待分割图像进行预处理，作为训练样本；步骤3：建立全心脏分割网络，利用全心脏分割网络编码器生成5种不同深度的特征图Out0，Out1，Out2，Out3，Out4，解码阶段使用基于注意力机制的多尺度融合模块和深度监督模块进行特征还原得到特征图，Y0，Y1，Y2，Y3，Y4；步骤4：用训练样本对S3建立的全心脏分割网络进行训练，得到训练好的深度卷积神经网络；步骤5：将步骤2预处理后的全心脏CT图像输入步骤4训练好的深度卷积神经网络进行图像分割，输出分割好的全心脏CT图像，包括7个子结构左心房、左心室、左心室心肌、右心房、右心室、肺动脉、升动脉。2.如权利要求1所述的基于深度学习的CT影像全心脏分割方法，其特征在于：所述步骤1的具体过程为：数据输入，输入待分割图像，并根据将其定义为大小C
×
H
×
W的3维特征数组，表示为：图像X(C
×
H
×
W)；输入的CT体数据使用常规造影术获得，每个体数据都覆盖了整个心脏的所有子结构，每个体数据由M个2D切片组成。3.如权利要求1所述的基于深度学习的CT影像全心脏分割方法，其特征在于：所述步骤2的具体过程为：对输入的CT数据集进行预处理；对标签数据原始标签值进行重编码，对新编码的标签值进行one
‑
hot编码；采用2D卷积方式训练神经网络，将每个三维体数据进行2D切片处理，对数据进行归一化处理，得到每个体数据的最大灰度值A
max
和最小灰度值A
min
，根据归一化公式来更新每个点的灰度值A
new
，如式(1)所示：其中，A
old
为原始灰度值，对图像顺时针或逆时针旋转进行数据增强、数据缩放操作。4.如权利要求1所述的基于深度学习的CT影像全心脏分割方法，其特征在于：所述步骤3的具体过程，包括以下步骤：步骤3.1：对网络中的编码阶段保留残差网络前四个特征模块，移除最后的全连接层和平均池化层，保留了4个layer...

【专利技术属性】
技术研发人员：杨金柱，陈乐，马春燕，黄艳，瞿明军，曹鹏，冯朝路，覃文军，栗伟，
申请(专利权)人：东北大学，
类型：发明
国别省市：