System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学图像处理,具体涉及一种心脏磁共振图像的分割方法。
技术介绍
1、心肌梗死(myocardial infarction,mi)是一种冠状动脉阻塞导致心肌缺血和坏死的心血管疾病,严重情况下可能导致患者心力衰竭或猝死,在全球范围内有较高的发病率和致死。中国心血管健康和疾病报告2020版中表明,我国城乡地区mi致死率自2002年起呈现整体上升趋势,农村地区自2013年起迅速上升且明显高于城市地区。而且随着居民生活方式的改变以及不良生活习惯的凸显,每年心肌梗死患者约百万并且发病年龄日益年轻化。mi病情严重,不仅给患者带来生理和心理上的痛苦,还会对家庭和社会造成巨大负担。因此,及时发现、诊断和治疗心肌梗死病变,利于预防心血管疾病、保障公众健康、提高人民生活水平。随着科技的不断进步,现代医学图像技术已成为医生诊疗过程中不可或缺的工具。通过非侵入性的方式获取人体或人体部位的图像信息,医生可以实现对疾病的早期筛查、病灶检测、疾病诊断、辅助治疗、靶区规划、病情跟踪和预后评估等诊疗过程。晚期钆增强(late-gadolinium enhancement,lge)心脏磁共振(cardiac magnetic resonance,cmr)则是其中一种重要的成像技术,提供了可视化mi的方法。lge cmr图像可以显示出心肌坏死区域与健康心肌区域之间的强度差异,使得mi的检测和定位变得更加容易。
2、从lge cmr图像中分割出心肌结构,是梗死区域分割和量化的首要步骤。传统的心肌分割方法是指医生在lge cmr图像中勾画出心脏组
3、然而,相较于平衡稳态自由进动(balanced-steady state free precession,bssfp)cmr和t2权重(t2 weighted,t2)cmr等其他模态的心脏图像,从lge cmr图像中分割心肌,仍然是一项具有挑战性的工作。其主要包括以下难点:(1)mi患者的lge cmr图像中梗死心肌强度分布不均匀,难以使用参数化模型模拟梗死区域分布;(2)钆增强模式复杂,不同患者梗死区域的大小,位置,形状差异性大,对分割方法的泛化能力要求高;(3)多数mi患者会出现微血管阻塞(microvascular obstruction,mvo)现象,导致梗死区域钆造影剂吸收受阻,使本应该明亮的病理区域显示不正常的灰暗,难以准确划分和定位梗死区域的范围和位置;(4)lge cmr图像的心肌组织与周围肌肉组织的强度分布范围重叠,组织间边界划分模糊,进一步加大了心肌分割难度。除此之外,基于cnn的心肌分割方法需要大量精准的像素级标注数据作为支持,但是由于lge cmr图像的特点,心肌组织难以被准确勾画,因此lge cmr图像的像素级标注数据相对较少,限制了cnn分割方法在lge cmr图像中的应用。
技术实现思路
1、针对现有技术中对心室和心肌结构的分割精确度不高的不足,本专利技术提供了一种心脏磁共振图像的分割方法,在域适应阶段,使用改进的cyclegan网络将bssfp模态转换为lge模态cmr图像;在分割阶段,将合成lge cmr与原始lge cmr图像同时作为训练数据对改进的u-net分割网络进行监督训练,最后通过分割网络得到预测分割标签;从而解决现有技术中对心室和心肌结构的分割精确度不高的问题。
2、一种心脏磁共振图像的分割方法,包括以下步骤:
3、获取医学图像数据;所述医学图像数据包括lge-cmr、bssfp和t2-cmr图像;
4、基于以cyclegan网络为基础框架,在cyclegan网络的生成器网络中添加卷积块注意力模块cbam,并且引入感知损失函数作为cyclegan网络循环一致损失的一部分,生成plcm-cyclegan图像转换网络;
5、通过plcm-cyclegan图像转换网络将bssfp和t2-cmr图像转换为lge-cmr图像;
6、基于以u-net网络为基础框架,在u-net网络的编码器中添加具有通道注意力机制的残差模块resse,以及在解码器中添加具有动态感受野的注意力模块sk,生成ressesk-net分割网络模型;
7、将转换后的lge-cmr图像与原始lge-cmr图像同时作为训练数据对ressesk-net分割网络模型进行训练;
8、将待分割的医学图像数据输入训练后的ressesk-net分割网络模型中,得到左右心室和心肌的分割标签;
9、根据左右心室和心肌的分割标签,得到左右心室和心肌的分割图像。
10、进一步地,还包括对所述医学图像数据进行预处理,其具体包括以下步骤:
11、对医学图像数据进行重采样操作;
12、将医学图像数据的像素间距设置为1.25mm×1.25mm;
13、将医学图像数据的尺寸裁剪为192×192。
14、进一步地,对预处理后的所述医学图像数据进行数据增强操作,所述数据增强操作包括:对生成plcm-cyclegan图像转换网络时的训练图像数据xcyc进行增强和对生成ressesk-net分割网络模型时的训练图像数据xunet进行增强。
15、进一步地,所述对生成plcm-cyclegan图像转换网络时的训练图像数据xcyc进行增强,其具体包括以下步骤:
16、以0.5的概率对图像数据xcyc进行随机水平翻转;
17、按照公式将图像数据xcyc像素值归一化,其中xnorm表示第i个像素归一化后的值,min(x)表示图像中像素最小值,max(x)表示图像中像素最大值。
18、进一步地,所述对生成ressesk-net分割网络模型时的训练图像数据xunet进行增强,其具体包括以下步骤:
19、以0.7为概率对图像数据xunet进行弹性形变;
20、以0.5为概率进行图像数据xunet伽马增强,伽马值范围是70-100;
21、以0.5为概率对图像数据xunet进行刚性变换,其中包括随机水平翻转,随机垂直翻转,随机旋转90度,随机转置。
22、进一步地,所述plcm-cyclegan网络的损失函数包括对抗性损失、循环一致性损失和恒等映射损失;其所述plcm-cyclegan的损失函数ltotal表示为:
23、ltotal=ω1lganx+ω2lgany+ω3lcycle+ω4lperceptual+ω5lidentity
24、其中本文档来自技高网...
【技术保护点】
1.一种心脏磁共振图像的分割方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种心脏磁共振图像的分割方法,其特征在于,还包括在所述获取医学图像数据后对所述医学图像数据进行预处理,其具体包括以下步骤:
3.根据权利要求2所述的一种心脏磁共振图像的分割方法,其特征在于,在对所述医学图像数据进行预处理后再进行数据增强操作,所述数据增强操作包括:对生成PLCM-CycleGAN图像转换网络时的训练图像数据Xcyc进行增强和对生成ResSESK-Net分割网络模型时的训练图像数据Xunet进行增强。
4.根据权利要求3所述的一种心脏磁共振图像的分割方法,其特征在于,所述对生成PLCM-CycleGAN图像转换网络时的训练图像数据Xcyc进行增强,其具体包括以下步骤:
5.根据权利要求3所述的一种心脏磁共振图像的分割方法,其特征在于,所述对生成ResSESK-Net分割网络模型时的训练图像数据Xunet进行增强,其具体包括以下步骤:
6.根据权利要求1所述的一种心脏磁共振图像的分割方法,其特征在于,所述PLCM-Cycle
7.根据权利要求6所述的一种心脏磁共振图像的分割方法,其特征在于,所述对抗性损失的表达式为:
8.根据权利要求6所述的一种心脏磁共振图像的分割方法,其特征在于,所述循环一致性损失表达式为:
9.根据权利要求6所述的一种心脏磁共振图像的分割方法,其特征在于,所述恒等映射损失的表达式为:
10.根据权利要求1所述的一种心脏磁共振图像的分割方法,其特征在于,所述ResSESK-Net分割网络模型的损失函数为:
...【技术特征摘要】
1.一种心脏磁共振图像的分割方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种心脏磁共振图像的分割方法,其特征在于,还包括在所述获取医学图像数据后对所述医学图像数据进行预处理,其具体包括以下步骤:
3.根据权利要求2所述的一种心脏磁共振图像的分割方法,其特征在于,在对所述医学图像数据进行预处理后再进行数据增强操作,所述数据增强操作包括:对生成plcm-cyclegan图像转换网络时的训练图像数据xcyc进行增强和对生成ressesk-net分割网络模型时的训练图像数据xunet进行增强。
4.根据权利要求3所述的一种心脏磁共振图像的分割方法,其特征在于,所述对生成plcm-cyclegan图像转换网络时的训练图像数据xcyc进行增强,其具体包括以下步骤:
5.根据权利要求3所述的一种心脏磁共振图像的分割方法,其特征在于,...
【专利技术属性】
技术研发人员:崔恒飞,郑凡,王一凡,李妍,夏勇,
申请(专利权)人:西北工业大学,
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。