【技术实现步骤摘要】
一种基于深度学习从心脏磁共振图像序列中直接划定心肌梗死区域的方法及装置
[0001]本专利技术专利涉及医学图像分析
,具体地说,是一种基于深度学习从心脏磁共振图像序列中直接划定心肌梗死区域的方法及装置。
技术介绍
[0002]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。2005年以来,急性心梗死亡率呈快速增长趋势,缺血性心肌病增长90%,预计2016
‑
2030年死亡人数将近千万(中国心血管病报告2018)。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。
[0003]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。
[0004]在深度学习技术出现前,主要有三种方法用于无 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习从心脏磁共振图像序列中直接划定心肌梗死区域的方法,其特征在于,包括:获得心脏核磁共振电影序列,通过U
‑
Net模型分割心脏核磁共振成像(CMRI)电影序列中每一帧的心肌内膜与心肌外膜;将分割好的每一帧的心肌内膜与心肌外膜二值化,得到心肌边界,提取每一帧的运动特征与像素特征,将其拼接融合,存入二维的特征矩阵中;标注二维的特征矩阵中对应序列的有钆造影剂的LGE图片的梗死区域,转化成1
×
120的向量作为心肌梗死区域标签;基于获得的二维特征矩阵和对应的心肌梗死区域标签,构建以ConvLSTM为核心的神经网络模型,所述的以ConvLSTM为核心的神经网络模型包括ConvLSTM层、卷积层、展开层、全连接层;以ConvLSTM为核心的神经网络模型中训练时,将模型输出的1
×
120的向量与真实心肌梗死区域标签进行对比,并使用二元交叉熵“binary_crossentropy”作为损失函数;使用“Adam”优化器对网络进行迭代训练,优化网络参数,当训练结束时,在测试集上检测精度,保存准确率最高的模型。2.根据权利要求1所述的基于深度学习从心脏磁共振图像序列中直接划定心肌梗死区域的方法,其特征在于,所述的提取每一帧的运动特征具体为:提取心肌外膜边界的中点为整张图的中心点,以3度的角度间隔从中心点向外做射线,取其与心肌内膜和心肌外膜边界的交点,得到120个方向的内外膜交点坐标;所提取的运动特征为:1)内膜交点与图中心点x轴的坐标差值x1,y轴坐标差值y1,距离2)外膜交点与图中心点x轴坐标差值x2,y轴坐标差值y2,距离3)内外膜之间的交点x轴坐标差值x3,y轴坐标差值y3,距离4)内膜交点与其逆时针相邻点x轴坐标差值x4,y轴坐标差值y4,距离5)外膜交点与其逆时针相邻点x轴坐标差值x5,y轴坐标差值y5,距离通过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ConvLSTM为核心的神经网络的搭建,神经网络的训练与心肌梗死区域的呈现技术。3.根据权利要求1所述的基于深度学习从心脏磁共振图像序列中直接划定心肌梗死区域的方法,其特征在于,所述的提取每一帧的像素特征具体为:取内外膜与外膜对应角度的点,取其中点O,将点O周围25个的像素矩阵取出。4.根据权利要求1所述的基于深度学习从心脏磁共振图像序列中直接划定心肌梗死区域的方法,其特征在于,所述的拼接融合为将心肌像素特征展开成一维向量,拼接到心肌运动特征下面。5.根据权利要求1或2或3或4所述的基于深度学习从心脏磁共振图像序列中直接划定心肌梗死区域的方法,基于深度学习从心脏磁共振图像序列中直接划定心肌梗死区域的方
法,其特征在于,所述的标注二维的特征矩阵中对应序列的有钆造影剂的LGE图片的梗死区域,转化成1
×
120的向量作为心肌梗死区域标签具体为:先在医生指导下在LGE图片上标记出像素级心肌梗死范...
【专利技术属性】
技术研发人员:余成进,石润州,王付言,蒲彩玲,胡红杰,宁高宁,刘华锋,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。