结合感兴趣区域距离度量学习和迁移学习的心肌检测方法技术

本发明专利技术公开了一种结合感兴趣区域距离度量学习和迁移学习的心肌检测方法。该方法包括：获取待测目标的磁共振图像；将所述磁共振图像输入到经训练的分类模型，获得心肌纤维化分类结果。所述分类模型包括区域生成模块和检测模块，该检测模块包括迁移瓶颈层、顶层和分类层，所述区域生成模块以磁共振图像阵列作为输入，输出具有候选区域的磁共振图像阵列，所述迁移瓶颈层针对所述具有候选区域的磁共振图像阵列提取每个切片瓶颈特征，进而输入到所述顶层获得顶层特征，所述分类层基于所述顶层特征，获得心肌纤维化分类结果。本发明专利技术预测准确度高，能够有效预测心肌纤维化和辅助人工诊断。断。断。

【技术实现步骤摘要】
结合感兴趣区域距离度量学习和迁移学习的心肌检测方法


[0001]本专利技术涉及医学图像分析
，更具体地，涉及一种结合感兴趣区域距离度量学习和迁移学习的心肌检测方法。

技术介绍

[0002]目前，心脏成像技术，诸如计算机断层扫描(CT)、磁共振成像(MRI)、核医学和超声在临床实践中被广泛使用。例如，延迟增强磁共振(DE
‑
MRI)技术是用于检查心肌梗塞的有用工具。患者完成心脏MRI后，采用延迟增强处理以准确计算相关参数。然而，该方法耗时且依赖医生的判断，从而导致疾病检测结果不一致。
[0003]传统的MRI分类算法可分为降尺度分类和纹理分类，其中降尺度分类主要从感兴趣区域(ROI)中提取特征。MRI纹理分类提取心脏纹理特征，以区分心肌梗死组和对照组。这些传统的MRI机器学习分类依赖先前的模型，往往需要人工分割，难度较大。如果先前的分割不可靠，分类就不准确。在心肌DE
‑
MRI中，由于心肌与组织(诸如，脊柱小梁之间的灰度重叠，梗塞的心肌区域的灰度与血池的灰度极其相似，这导致心肌心内膜部分与梗塞的心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合感兴趣区域距离度量学习和迁移学习的心肌检测方法，包括以下步骤：获取待测目标的磁共振图像；将所述磁共振图像输入到经训练的分类模型，获得心肌纤维化分类结果；其中，所述分类模型包括区域生成模块和检测模块，该检测模块包括迁移瓶颈层、顶层和分类层，所述区域生成模块以磁共振图像阵列作为输入，输出具有候选区域的磁共振图像阵列，所述迁移瓶颈层针对所述具有候选区域的磁共振图像阵列提取每个切片瓶颈特征，进而输入到所述顶层获得顶层特征，所述分类层基于所述顶层特征，获得心肌纤维化分类结果。2.根据权利要求1所述的方法，其特征在于，所述候选区域根据以下步骤获取：通过简单线性迭代聚类在图像上生成初始超像素区域，并对所述初始超像素区域执行无监督预融合，获得中间候选区域，所述中间候选区域是指包含心脏部分的区域；利用学习的第一距离度量模型对所述中间候选区域进行有监督融合，得到第一级融合候选区域；利用学习的第二距离度量模型对第一级融合候选区域进行有监督融合，得到第二级融合候选区域；对第二级融合候选区域进行形状约束后，作为最终的候选区域。3.根据权利要求2所述的方法，其特征在于，第一距离度量模型和第二距离度量模型的训练集根据以下步骤构建：使用简单线性迭代聚类将样本图像分割成多个初始超像素区域；使用无监督预融合策略对所述初始超像素区域进行融合，获得中间候选区域；通过双线性插值将每个中间候选区域的外框缩放成τ
×
τ大小，并计算获得图像块的强度特征向量，其中τ是设定值；对于每一个框，测量真实包围区域与生成区域的比率，并通过比较所述比率与设定阈值的大小确定样本图像的类别信息；根据该类别信息，可构建成对相似集S和相异集D，用于训练第一距离度量模型和第二距离度量模型。4.根据权利要求1所述的方法，其特征在于，所述分类模型的训练过程包括：利用训练集预训练所述分类模型；利用所述预训练的分类模...

【专利技术属性】
技术研发人员：黄建龙，贾富仓，陈藏，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：