一种基于形状自学习的心脏MRI图像分割方法技术

本发明专利技术公开了一种基于形状自学习的心脏MRI图像分割方法，通过建立基于三维深度学习网络结构的分割结构，在两个多任务头部网络的互相自学习下，使用端到端的学习方式进行全监督分割学习；输入图像通过主干网络提取特征，并同时输入两个子网络结构，分别对于逐像素点的分类信息以及其与轮廓的最近距离进行预测；同时基于聚焦损失函数的约束以及有向距离转换的自学习约束将使得模型对于目标的形状以及位置信息有这更好的把控。本发明专利技术方法能一定程度上缓解分割网络对于轮廓表面的预测不准确情况以及小目标的预测不准情况，从而更好的辅助智能医疗分析与诊断。辅助智能医疗分析与诊断。辅助智能医疗分析与诊断。

【技术实现步骤摘要】
一种基于形状自学习的心脏MRI图像分割方法


[0001]本专利技术属于心脏MRI医学图像分割
，具体涉及一种基于形状自学习的心脏MRI图像分割方法。

技术介绍

[0002]心脏疾病作为近年来威胁人类的前五名危险疾病，对其解剖组织结构进行研究有着重要的意义，其中医学图像分割是一种将像素目标区域与背景信息隔离开来的任务，它对于疾病的诊疗、理解以及研究有这有位重要对作用。然而在现实世界中，不同于自然图像结构，首先心脏结构为3D结构，同时其对于不同的个体有着特异性的问题，即不同病人的心脏结构的细节有着很大的不同；与此同时，心脏的轮廓也有这特殊性，如图1所示，不同病人的心脏形态迥异，并且其表面结构错综复杂，因此如何更好使模型能够学习好心脏的轮廓信息，从而更好的得到精度更高的分割结果成为人们研究的重点。同时由于医疗图像的特殊性，导致分割的目标区域相较于背景区域所占体素相比有着很大的区别，通常而言前者仅占后者的0.2％～0.3％左右，这样巨大的差异导致模型在训练过程的梯度被占绝大多数比例的背景信息所淹没，从而使得模型陷入次优解。r/>[0003]有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于形状自学习的心脏MRI图像分割方法，包括如下步骤：(1)收集来自不同个体且具有区域类别标注的3D心脏MRI图像，将这些图像缩放成相同尺寸大小并做归一化处理后划分成训练集与测试集；(2)构建深度学习网络模型用于心脏MRI图像分割，其包括主干网络、像素级分割头部网络f
seg
以及有向距离图头部网络f
dis
，其中主干网络用于对图像进行特征提取并将提取得到的特征图分别输入至f
seg
和f
dis
中进行预测，f
seg
用于预测图像中体素属于各类区域的概率，f
dis
用于预测图像中体素到各类心脏区域轮廓的最近距离；(3)将训练集图像逐一输入至上述深度学习网络模型进行训练，并设计相应的损失函数用于网络模型迭代更新；(4)将测试集图像输入至训练好的网络模型中，取其中像素级分割头部网络f
seg
的预测输出结果即作为心脏MRI图像分割结果。2.根据权利要求1所述的心脏MRI图像分割方法，其特征在于：所述主干网络采用VNet结构作为特征提取器。3.根据权利要求1所述的心脏MRI图像分割方法，其特征在于：所述步骤(3)中对深度学习网络模型进行训练的具体过程如下：3.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；3.2将训练集图像逐一输入至网络模型，网络模型正向传播输出得到逐像素点分类预测结果p
seg
以及有向距离预测结果p
dis
，计算预测结果p
seg
和p
dis
与标签之间的损失函数L
all
；3.3根据损失函数L
all
利用优化器通过梯度下降法对模型参数不断迭代更新，直至损失函数L
all
收敛，训练完成。4.根据权利要求3所述的心脏MRI图像分割方法，其特征在于：所述损失函数L
all
的表达式如下：L
all
＝L
dis
+λL
slb
+L
focal
其中：L
dis
为预测结果p
dis
与SDF图之间的二范数约束项，所述SDF图为标签通过有向距离转换得到，L
slb
为预测结果p
seg
与SLB图之间的自学习交叉熵函数，所述SLB图为预测结果p
dis
通过反向有向距离转换得到，L
focal
为预测结果p
seg
与标签之间的逐像素重新加权约束项，λ为比例系数。5.根据权利要求4所述...

【专利技术属性】
技术研发人员：刘华锋，李楚晨，
申请(专利权)人：浙江大学，
类型：发明
国别省市：