【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。