一种基于ADC-UNet模型的心脏MRI结构分割方法技术

一种基于ADC

【技术实现步骤摘要】
一种基于ADC
‑
UNet模型的心脏MRI结构分割方法


[0001]本专利技术涉及图像分割
，具体涉及一种基于ADC
‑
UNet模型的心脏MRI结构分割方法。

技术介绍

[0002]许多的研究人员在过去的几十年里一直致力于研究人类心脏结构的分割算法，特别是针对心肌、左心房和左心室的部分。随着技术的发展，MRI、CT、US等现代医学成像技术被广泛的应用，在这些技术的帮助下，可以更方便地评估心脏的结构和功能。其中MRI的高测量精度使其成为评估心脏结构和功能的理想技术，通过利用不同的成像序列，心脏结构和功能能够被心脏MRI精确地量化。因此，心脏MRI是目前最准确的测量心脏结构和功能的方法。
[0003]虽然现在国内外已经有了许多关于心脏半自动、自动分割算法的研究发表，但是仍然还存在很多需要被改进的地方，例如不能很好地捕获不同尺度特征之间的相关性、背景信息对前景分割的干扰等。除此之外，由于边界模糊、成像的强度不均匀以及心脏结构之间的形状变化较大，使得3D心脏MRI分割比较困难，需要算法具备更高的要求。因此，心脏MRI分割算法仍存在很大的发展空间，需要更高的技术和创新来实现精确的分割。

技术实现思路

[0004]本专利技术为了克服以上技术的不足，提供了一种可以获得精确分割结果的心脏MRI结构分割方法。
[0005]本专利技术克服其技术问题所采用的技术方案是：
[0006]一种基于ADC
‑
UNet模型的心脏MRI结构分割方法，包括如下步骤：
[0007]a)获取由N组心脏MRI图像数据的数据集X，X＝{X1,X2,...,X
i
,...,X
N
}，X
i
为第i张心脏MRI图像数据，i∈{1,...,N}；
[0008]b)将数据集X进行预处理，得到预处理后的数据集X
′
；
[0009]c)将预处理后的数据集X
′
划分为训练集、验证集、测试集；
[0010]d)将训练集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到M个切片图像，第i个切片图像为F
i
，i∈{1,...,M}；
[0011]e)建立ADC
‑
UNet网络模型，ADC
‑
UNet网络模型由编码器和解码器构成；
[0012]f)将第i个切片图像F
i
输入到ADC
‑
UNet网络模型的编码器中，输出得到特征图A5‑
i
；
[0013]g)将特征图A5‑
i
输入到ADC
‑
UNet网络模型的解码器中，输出得到融合特征图C1‑
i
；
[0014]h)将融合特征图C1‑
i
输入到Softmax函数中，输出得到分割结果图像P1‑
i
；
[0015]i)训练ADC
‑
UNet网络模型，得到优化后的ADC
‑
UNet网络模型；
[0016]j)将测试集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到Q个切片图像，第i个切片图像为F
i
′
，i∈{1,...,Q}；
[0017]k)将第i个切片图像F
i
′
输入到优化后的ADC
‑
UNet网络模型中，输出得到分割结果图像P
′1‑
i
。
[0018]优选的，步骤a)中从2017ACDC数据集中获取100组来自8个不同数据集的病人的心脏MRI图像数据，步骤d)中M取值为1312；步骤j)中Q取值为380。
[0019]进一步的，步骤b)包括如下步骤：
[0020]b
‑
1)利用numpy库中的GetArrayFromImage()函数将第i张心脏MRI图像数据X
i
转化为Numpy数组，将转换为Numpy数组的第i张心脏MRI图像数据沿Z轴方向切为若干2D切片；
[0021]b
‑
2)将每个2D切片进行重采样，得到像素间距为(1.5,1.5)的新2D图像，将每个新2D图像进行进行中心剪裁，得到大小为256
×
256的剪裁后的2D图像，将各个剪裁后的2D图像堆叠起来，恢复成为3D图像Numpy数组，将3D图像Numpy数组利用numpy库中的GetArrayFromArray()函数转化回心脏MRI图像数据
[0022]b
‑
3)将心脏MRI图像数据以0.5的概率沿水平轴或垂直轴进行翻转，随机旋转90度，得到旋转后的图像；
[0023]b
‑
4)将旋转后的图像进行z
‑
score标准化，得到预处理后的第i张心脏MRI图像数据X
′
i
，各个预处理后的心脏MRI图像数据构成预处理后的数据集X
′
，X
′
＝{X
′1,X
′2,...,X
′
i
,...,X
′
N
}。
[0024]优选的，步骤c)中将预处理后的数据集X
′
按7:1:2的比例划分为训练集、验证集、测试集。
[0025]进一步的，步骤f)包括如下步骤：
[0026]f
‑
1)ADC
‑
UNet网络模型的编码器由第一双卷积激活模块、第一最大池化层、第二双卷积激活模块、第二最大池化层、第三双卷积激活模块、第三最大池化层、第四双卷积激活模块、第四最大池化层、第五双卷积激活模块构成；
[0027]f
‑
2)编码器的第一双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将第i个切片图像F
i
输入到第一双卷积激活模块中，输出得到特征图A1‑
i
，将特征图A1‑
i
输入到编码器的第一最大池化层中，输出得到特征图A
′1‑
i
；
[0028]f
‑
3)编码器的第二双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A
′1‑
i
输入到第二双卷积激活模块中，输出得到特征图A2‑
i
，将特征图A2‑
i
输入到编码器的第二最大池化层中，输出得到特征图A
′2‑
i
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ADC
‑
UNet模型的心脏MRI结构分割方法，其特征在于，包括如下步骤：a)获取由N组心脏MRI图像数据的数据集X，X＝{X1,X2,...,X
i
,...,X
N
}，X
i
为第i张心脏MRI图像数据，i∈{1,
…
,N}；b)将数据集X进行预处理，得到预处理后的数据集X
′
；c)将预处理后的数据集X
′
划分为训练集、验证集、测试集；d)将训练集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到M个切片图像，第i个切片图像为F
i
，i∈{1,...,M}；e)建立ADC
‑
UNet网络模型，ADC
‑
UNet网络模型由编码器和解码器构成；f)将第i个切片图像F
i
输入到ADC
‑
UNet网络模型的编码器中，输出得到特征图A5‑
i
；g)将特征图A5‑
i
输入到ADC
‑
UNet网络模型的解码器中，输出得到融合特征图C1‑
i
；h)将融合特征图C1‑
i
输入到Softmax函数中，输出得到分割结果图像P1‑
i
；i)训练ADC
‑
UNet网络模型，得到优化后的ADC
‑
UNet网络模型；j)将测试集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到Q个切片图像，第i个切片图像为F
i
′
，i∈{1,...,Q}；k)将第i个切片图像F
i
′
输入到优化后的ADC
‑
UNet网络模型中，输出得到分割结果图像P
′1‑
i
。2.根据权利要求1所述的基于ADC
‑
UNet模型的心脏MRI结构分割方法，其特征在于：步骤a)中从2017ACDC数据集中获取100组来自8个不同数据集的病人的心脏MRI图像数据，步骤d)中M取值为1312；步骤j)中Q取值为380。3.根据权利要求1所述的基于ADC
‑
UNet模型的心脏MRI结构分割方法，其特征在于，步骤b)包括如下步骤：b
‑
1)利用numpy库中的GetArrayFromImage()函数将第i张心脏MRI图像数据X
i
转化为Numpy数组，将转换为Numpy数组的第i张心脏MRI图像数据沿Z轴方向切为若干2D切片；b
‑
2)将每个2D切片进行重采样，得到像素间距为(1.5,1.5)的新2D图像，将每个新2D图像进行进行中心剪裁，得到大小为256
×
256的剪裁后的2D图像，将各个剪裁后的2D图像堆叠起来，恢复成为3D图像Numpy数组，将3D图像Numpy数组利用numpy库中的GetArrayFromArray()函数转化回心脏MRI图像数据b
‑
3)将心脏MRI图像数据以0.5的概率沿水平轴或垂直轴进行翻转，随机旋转90度，得到旋转后的图像；b
‑
4)将旋转后的图像进行z
‑
score标准化，得到预处理后的第i张心脏MRI图像数据X
i
′
，各个预处理后的心脏MRI图像数据构成预处理后的数据集X
′
，X
′
＝{X
′1,X
′2,...,X
′
i
,...,X
′
N
}。4.根据权利要求1所述的基于ADC
‑
UNet模型的心脏MRI结构分割方法，其特征在于：步骤c)中将预处理后的数据集X
′
按7:1:2的比例划分为训练集、验证集、测试集。5.根据权利要求1所述的基于ADC
‑
UNet模型的心脏MRI结构分割方法，其特征在于，步骤f)包括如下步骤：f
‑
1)ADC
‑
UNet网络模型的编码器由第一双卷积激活模块、第一最大池化层、第二双卷
积激活模块、第二最大池化层、第三双卷积激活模块、第三最大池化层、第四双卷积激活模块、第四最大池化层、第五双卷积激活模块构成；f
‑
2)编码器的第一双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将第i个切片图像F
i
输入到第一双卷积激活模块中，输出得到特征图A1‑
i
，将特征图A1‑
i
输入到编码器的第一最大池化层中，输出得到特征图A
′1‑
i
；f
‑
3)编码器的第二双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A1′
‑
i
输入到第二双卷积激活模块中，输出得到特征图A2‑
i
，将特征图A2‑
i
输入到编码器的第二最大池化层中，输出得到特征图A2′
‑
i
；f
‑
4)编码器的第三双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A2′
‑
i
输入到第三双卷积激活模块中，输出得到特征图A3‑
i
，将特征图A3‑
i
输入到编码器的第三最大池化层中，输出得到特征图A3′
‑
i
；f
‑
5)编码器的第四双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A3′
‑
i
输入到第四双卷积激活模块中，输出得到特征图A4‑
i
，将特征图A4‑
i
输入到编码器的第四最大池化层中，输出得到特征图A4′
‑
i
；f
‑
6)编码器的第五双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A4′
‑
i
输入到第五双卷积激活模块中，输出得到特征图A5‑
i
。6.根据权利要求5所述的基于ADC
‑
UNet模型的心脏MRI结构分割方法，其特征在于：步骤f
‑
2)中第一双卷积激活模块的第一卷积层的卷积核大小为3
×
3，第二卷积层的卷积核大小为3
×
3，编码器的第一最大池化层的步幅为2，池化核大小为2
×
2；步骤f
‑
3)中第二双卷积激活模块的第一卷积层的卷积核大小为3
×
3，第二卷积层的卷积核大小为3
×
3，编码器的第二最大池化层的步幅为2，池化核大小为2
×
2；步骤f
‑
4)中第三双卷积激活模块的第一卷积层的卷积核大小为3
×
3，第二卷积层的卷积核大小为3
×
3，编码器的第三最大池化层的步幅为2，池化核大小为2
×
2；步骤f
‑
5)中第四双卷积激活模块的第一卷积层的卷积核大小为3
×
3，第二卷积层的卷积核大小为3
×
3，编码器的第四最大池化层的步幅为2，池化核大小为2
×
2；步骤f
‑
6)中第五双卷积激活模块的第一卷积层的卷积核大小为3
×
3，第二卷积层的卷积核大小为3
×
3。7.根据权利要求1所述的基于ADC
‑
UNet模型的心脏MRI结构分割方法，其特征在于，步骤g)包括如下步骤：g
‑
1)ADC
‑
UNet网络模型的解码器由第一上采样层、第一α
‑
模块、第一可变形融合模块、第二上采样层、第二α
‑
模块、第二可变形融合模块、第三上采样层、第三α
‑
模块、第三可变形融合模块、第四上采样层、第四α
‑
模块、第四可变形融合模块构成；g
‑
2)将特征图A5‑
i
输入到解码器的第一上采样层中，输出得到特征图B4‑
i
，解码的第一α
‑
模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A4‑
i
输入到第一α
‑
模块的第一卷积层中，输出得到特征图
W
a
A4‑
i
，将特征图B4‑
i
输入到第一α
‑
模块的第二卷积层中，输出得到特征图W
b
B4‑
i
，将特征图W
a
A4‑
i
与特征图与特征图W
b
B4‑
i
逐元素相加后依次输入到第一α
‑
模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α4‑
i
，将注意力系数α4‑
i
输入到第一α
‑
模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α
′4‑
i
，使用插值后的注意力系数α
′4‑
i
对特征图B4‑
i
加权得到特征图将特征图A4‑
i
与特征图沿Z轴进行拼接操作，得到特征图g
‑
3)解码器的第一可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图输入到第二卷积层中，输出得到带有学习偏移的特征图Δ4‑
i
，将特征图B4‑
i
与带有学习偏移的特征图Δ4‑
i
沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D4‑
i
，将特征图D4‑
i
输入到膨胀卷积层中，输出得到特征图D
′4‑
i
，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D
′4‑
i
与特征图D4‑
i
进行残差连接，得到特征图D
″4‑
i
，将特征图D
″4‑
i
输入到第四卷积层中，输出得到融合特征图C4‑
i
；g
‑
4)将融合特征图C4‑
i
输入到解码器的第二上采样层中，输出得到特征图B3‑

【专利技术属性】
技术研发人员：陈长芳，翟纯琳，舒明雷，刘照阳，陈永健，陈哲，高天雷，
申请(专利权)人：齐鲁工业大学山东省科学院青岛海信医疗设备股份有限公司，
类型：发明
国别省市：