【技术实现步骤摘要】
本专利技术涉及数字医疗、图像处理，具体涉及一种心脏磁共振左心室心肌自动化分段方法。
技术介绍
1、心脏磁共振(cmr)影像作为无创性心脏评估方法，对于衡量左心室功能和诊断心肌相关疾病具有重要意义，当前临床需求增长迅速。j.walpot等人统计分析了2383例包含心脏病患者和正常人的cmr左心室各节段室壁厚度，结论表明冠心病的发生与室壁厚度强相关，室壁厚度可作为冠心病的定量诊断指标。然而常规心脏磁共振检查尚未实现自动化，通常需要检查者参与影像分析，手动将cmr左心室分为17节段，进而计算cmr心功能参数，该过程需要花费较高的时间成本，且检查者间判读尚未标准化等问题。
2、afshin等人提出了一种半自动左室心肌分段算法，该算法首先沿长轴将cmr切片均匀划分为三等分，接着需要手动标记右心室的前后插入点，并根据插入点坐标将左心室划分为16个标准节段；liang等人提出了一种全自动cmr左心室17节段分割方法，该方法基于乳头肌与肌小梁将cmr切片划分为基底、中部、心尖部和心尖共四个部分，随后采用形状拟合法与ostu阈值法提取关键点(左右心室连接点)和心肌区域，最终基于极坐标变换与关键点位置信息将基底、中部切片心肌分割为6个区域，将心尖部切片心肌分割为4个区域。上述方法存在着效率较低，分段效果不理想且难以满足临床诊断需要等问题，基于深度学习的左室心肌分段方法具有更高的效率和分段精度；另一方面现有方法在将心脏短轴切片划分为基底部、中间部和心尖部时通常基于切片序号，当扫描起始位置偏移时存在较大误差，本方法利用长轴关键点信息辅助短轴
技术实现思路
1、本专利技术提出一种心脏磁共振左心室心肌自动化分段方法，该方法自动处理原始心脏磁共振影像数据，提取长短轴视角成像切片以及相应的头文件信息，并通过多任务深度学习网络实现对输入长短轴cmr影像的心脏分割以及心室关键点检测，后续基于网络输出的长轴关键点信息对短轴心肌图像进行自动化分部，并在aha指南的指导下结合短轴右心室插入点和左心室中心点检测结果，实现左心室心肌自动化分段；该方法主要适用于心脏疾病临床诊断中的左心室心肌分段与室壁厚度估计，通过心肌分段可视化展示以及临床量化报告生成，为临床医生提供有效的参考信息，提高心脏相关疾病的诊出率。
2、本专利技术的技术方案如下：
3、一种心脏磁共振左心室心肌自动化分段方法，包括步骤如下：
4、s1、制定cmr短轴基底部心肌标准；
5、对于cmr短轴图像的电影序列中靠近心脏基底侧的心肌非闭合层，将其中跨角大于固定阈值角度λ的心肌区域定义为心肌组织，跨角小于固定阈值角度λ则不认定为心肌组织，需要擦除心肌标签；
6、s2、数据预处理；
7、s21、原始图像提取；对通常为dicom格式的原始cmr图像进行提取与转换，按照“成像视角-切片位置-时相序号”的顺序将提取的图像分级排序并命名，同时提取相应头文件信息，包括图像坐标系原点在世界坐标系中位置(origin)、方向角(direction)和体素大小(spacing)等，最终转换为nifti格式保存；
8、s22、图像归一化；对于包含左心室心肌的cmr图像，为消除异常值的影响，采用统一的mri值范围将磁共振图像的灰度归一化至[0,1]之间；
9、s23、数据增强；数据增强方法具体包括随机旋转、镜像翻转、平移和随机噪声；
10、s3、构建联合心脏分割与心室关键点检测的多任务深度学习网络；
11、将包含左右心室区域的心脏磁共振短轴图像和长轴图像输入至联合心肌分割与心室关键点检测的多任务深度学习网络中，输出包括分割标签和关键点标签，其中分割标签含短轴左心室心肌、短轴右心室血池和长轴左心室血池等，关键点标签含短轴图像的左心室中心点、两个右心室插入点以及长轴图像的心内膜心底端点和心尖端点；
12、联合心脏分割与心室关键点检测的多任务深度学习网络包含两个阶段，第一阶段对经过预处理的心脏磁共振图像执行心脏区域的分割与关键点检测，第二阶段根据第一阶段得到的左心室心肌和右心室血池分割标签对右心室插入点进行细化检测与矫正；
13、第一阶段的多任务深度学习网络包含两个子网络分支：心脏分割分支与关键点检测分支；具体如下：
14、s31、心脏分割分支采用结合transformer的类u-net混合结构，包含编码器和解码器两部分，并通过使用transformer将自注意力机制引入编码器设计；
15、编码器部分包括四个子模块，前三个子模块均包含卷积层、groupnorm归一化层和最大池化层，进行三次下采样操作后，将带有位置信息的一维向量输入第四个子模块transformer模块，输出尺寸与输入尺寸保持一致；
16、解码器部分包含四个子模块，第一个子模块包含卷积层、batchnorm归一化层和线性整流函数，接收编码器部分的transformer模块的输出并调整图像尺寸，后三个上采样子模块包含卷积层和线性整流函数，并与编码器前三个子模块一一对应，采用跳跃连接机制将编码器不同阶段提取到的低级图像特征与解码器融合；
17、s32、关键点检测分支遵循多任务学习网络硬参数共享的原则，与心脏分割分支具有相同的编码器、解码器结构；
18、对于第一阶段的两个子网络分支，为解决类别不平衡问题，均采用结合交叉熵损失ce loss与dice loss的混合加权损失函数进行约束：
19、l＝λ1·lce+λ2·ldice
20、其中，l为第一阶段的两个子网络分支的损失函数，λ1为交叉熵损失lce分配的权重，λ2为dice lossldice分配的权重；
21、
22、其中，m为分类任务的类别数量，yic为符号函数(当样本i的真实值等于c时函数取值为1，否则为0)，pic为样本i属于分类任务的类别c的预测概率；
23、
24、其中，x为网络预测结果矩阵，y为真实标签矩阵，x∩y为两者交集，|x|和|y|分别为网络预测结果和真实标签的体素之和；在心脏分割分支中，x表示心肌和血池分割结果；在关键点检测分支中，x表示心室关键点检测结果；
25、s33、长短轴关键点检测细化：结合第一阶段网络输出的短轴左心室心肌和右心室血池分割结果的位置信息，对短轴右心室插入点进行细化检测与矫正，得到最终的短轴关键点检测结果；结合第一阶段网络输出的长轴左心室血池的位置信息，对长轴心内膜心尖端点和心底端点进行细化矫正，得到最终的长轴关键点检测结果；
26、s4、自动化分部左心室心肌短轴图像；
27、扫描完整的cmr短轴序列含有基底部、中间部和心尖部等三个分部以及心尖区域，根据短轴切片与长轴关键点在世界坐标系中的相对位置自动化确定短轴图像所属分部；
28、s41、长轴关键点定位；采用轮廓识别算法提取s3得到的心脏长轴图像关键点外轮廓并计本文档来自技高网...
【技术保护点】
1.一种心脏磁共振左心室心肌自动化分段方法，其特征在于，包括步骤如下：
2.根据权利要求1所述的一种心脏磁共振左心室心肌自动化分段方法，其特征在于，所述固定阈值角度λ选择180°。
3.根据权利要求1或2所述的一种心脏磁共振左心室心肌自动化分段方法，其特征在于，所述权重λ1和λ2均选择0.5。
【技术特征摘要】
1.一种心脏磁共振左心室心肌自动化分段方法，其特征在于，包括步骤如下：
2.根据权利要求1所述的一种心脏磁共振左心室心肌自动化分段方法，其特征在于，...
【专利技术属性】
技术研发人员：邓冬东，贺毅，夏灵，赵崇尚，乐颖慧，
申请(专利权)人：大连理工大学，
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。