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】
本专利技术属于心脏功能评估领域,具体涉及了一种基于深度学习的全心四维增强心脏ct分割方法。
技术介绍
1、在整个心动周期中对心室和左心室(lv)心肌的分割使心脏形态和功能的评估成为可能。心脏mri和超声心动图是测定心脏功能的标准化方法。然而,随着越来越多的应用诞生,3d增强心脏ct扫描也被采集到整个心动周期中,从而得到4d心脏ct图像。这在心脏功能深入评估方面具有很大的潜力,可用于推导左心室射血分数(lvef)、用于自动左心室壁运动分析或用于评估右心室功能等等。
2、人工分割心腔和左心室心肌,特别是在整个心动周期中,是费时和不切实际的。为了克服这一限制,已经开发了对心脏ct增强图像中心脏结构自动分割的方法,包括基于模型的方法和基于图谱的方法。近年来,基于深度学习的方法已经成为最先进的心脏分割方法。最近的进展包括使用深度监督的3d u-net与焦点损失和骰子损失的组合来更好地提取上下文信息,结合深度学习和体积形状模型,对一个定位和一个分割网络的端到端训练,对mri和ct的跨模态分割的知识提取,使用两个带分割模块的变分自编码器来实现mri和ct之间的无监督域适应,以及对跨模式心脏分割的域不变和域特异性特征的解纠缠。然而,4d心脏ct图像对自动分割方法提出了一些挑战。不同于在一个特定心脏阶段的全心分割,心室根据心动周期的阶段会表现出不同的外观形态。这对于仅训练一个心脏时相图像具有挑战性的。为了实现时间一致的分割,myronenko等使用带有稀疏损失函数的4d cnn对4d心脏ct图像中的左心室腔和心肌进行分割。kong等人
3、因此,现有的心脏分割技术存在以下缺陷:
4、1、人工分割心腔和左心室心肌,特别是在整个心动周期,是费时和不切实际的。
5、2、在4d心脏ct图像的临床数据集中,金属植入物、大动脉粥样硬化钙化或其他病理引起的成像伪影可能会使自动分割变得复杂。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的全心四维增强心脏ct分割方法,针对现有技术中的缺陷,使用3d卷积神经网络实现(cnn)对整个心动周期的左心室心肌、左心室腔、右心室、左心房和右心房进行自动多类分割。
2、为了解决上述技术问题,采用如下技术方案:
3、一种基于深度学习的全心四维增强心脏ct分割方法,其特征在于包括如下步骤:
4、(1)输入150-300例已有患者的病例样本和临床信息;
5、(2)根据所述步骤(1)统计分析结果和特征选择,确定所提出的深度学习模型中实现最大化性能的最重要标记;
6、(3)构造带有卷积神经网络的深度学习模型用于回归和分类;
7、(4)开发深度学习网络模型。
8、优选后,所述步骤(3),采用两个卷积层,每一层分别进行批归一化(bn)和校正线性联合(relu),提取每个lvef类别的患者临床标记物中被污染的特征。
9、优选后,两个卷积层的核大小分比为(1、3)和(1、2),分别有32个滤波器和64个滤波器。
10、优选后,所述步骤(4)包括:
11、a、训练阶段:将该模型被训练4000个时代,小批量大小为128;选择自适应矩估计作为优化器,学习率为0.001,正则化率为0.0001,衰减率为0.7;
12、b、预测阶段:采用一种留二方案,在每次训练迭代中保留每个受试者作为测试对象。
13、优选后,所述卷积神经网络是基于2d架构,包括数据输入层、卷积神经层、激活层、池化层与全连接层。
14、优选后,所述数据输入层,用于输入卷积神经网络的原始数据或经过预处理的数据,数据输入层输入的图像包含rgb三个通道,由长宽分别为h和w组成的3维像素值矩阵h×w×3。
15、优选后,所述卷积神经层,由六个特征面构成,每个特征面有三个神经元构成;该卷积神经层用于对所述数据输入层输入数据进行特征提取,通过卷积核矩阵对输入数据中的隐含关联性进行抽象;卷积操作进行特征提取是对两张像素矩阵进行点乘求和的数学操作,其中一个矩阵为输入的数据矩阵,另一个矩阵则为卷积核,求得的结果表示为原始数据中提取的特定局部特征。
16、优选后,所述激活层,由激活函数组成,在所述卷积神经层输出结果的基础上嵌套一个非线性函数,让输出的特征图具有非线性关系;激活函数采用relu、tanh或sigmoid,其中relu的函数形式如下公式所示:
17、
18、限制小于0的值为0,大于等于0的值保持不变。
19、优选后,所述池化层,也成为降层采样,将所述卷积神经层的输出数据作为输入数据,用于压缩数据和参数的量,降低输出特征尺度,减少模型所需要的参数量,提高训练的网络速度。
20、优选后,所述全连接层,对所述卷积神经网络学习提取到的特征进行汇总,将多维的特征输入映射为二维的特征输出,高维表示样本批次,低位对应任务目标。
21、优选后,所述卷积神经网络还包括有输出层,其采用softmax函数预测每个类总和为1的概率。
22、由于采用上述技术方案,具有以下有益效果:
23、1、本专利技术3d卷积神经网络(cnn)实现对整个心动周期的左心室心肌、左心室腔、右心室、左心房和右心房进行自动多类分割,有助于深入评估心脏的形态和功能。
24、2、本自动分割方法能够精确地分割所有心脏结构,表明常规获得的高分辨率对比增强心脏ct扫描也可用于更全面的心脏形态和功能评估。
25、3、本专利技术能够很好地推广到未包括在训练中的心脏阶段。
26、4、本专利技术能够减少心脏右侧对比度增强、图像噪声、金属伪影等图像质量问题的干扰,产生临床上有用的图像分割。
27、5、池化层将卷积神经层的输出数据作为输入数据,用于压缩数据和参数的量,有效地降低输出特征尺度,进而减少模型所需要的参数量,提高训练的网络速度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的全心四维增强心脏CT分割方法,其特征在于包括如下步骤:
2.根据权利要求1所述的一种基于深度学习的全心四维增强心脏CT分割方法,其特征在于:所述步骤(3),采用两个卷积层,每一层分别进行批归一化和校正线性联合,提取每个LVEF类别的患者临床标记物中被污染的特征;两个卷积层的核大小分比为(1、3)和(1、2),分别有32个滤波器和64个滤波器。
3.根据权利要求1所述的一种基于深度学习的全心四维增强心脏CT分割方法,其特征在于:所述步骤(4)包括:
4.根据权利要求1所述的一种基于深度学习的全心四维增强心脏CT分割方法,其特征在于:所述卷积神经网络是基于2D架构,包括数据输入层、卷积神经层、激活层、池化层与全连接层。
5.根据权利要求4所述的一种基于深度学习的全心四维增强心脏CT分割方法,其特征在于:所述数据输入层,用于输入卷积神经网络的原始数据或经过预处理的数据,数据输入层输入的图像包含RGB三个通道,由长宽分别为H和W组成的3维像素值矩阵H×W×3。
6.根据权利要求4所述的一种基于深度学习的全心
7.根据权利要求4所述的一种基于深度学习的全心四维增强心脏CT分割方法,其特征在于:所述激活层,由激活函数组成,在所述卷积神经层输出结果的基础上嵌套一个非线性函数,让输出的特征图具有非线性关系;激活函数采用ReLU、Tanh或sigmoid,其中ReLU的函数形式如下公式所示:
8.根据权利要求4所述的一种基于深度学习的全心四维增强心脏CT分割方法,
9.根据权利要求4所述的一种基于深度学习的全心四维增强心脏CT分割方法,其特征在于:所述全连接层,对所述卷积神经网络学习提取到的特征进行汇总,将多维的特征输入映射为二维的特征输出,高维表示样本批次,低位对应任务目标。
10.根据权利要求4所述的一种基于深度学习的全心四维增强心脏CT分割方法,其特征在于:所述卷积神经网络还包括有输出层,其采用SoftMax函数预测每个类总和为1的概率。
...【技术特征摘要】
1.一种基于深度学习的全心四维增强心脏ct分割方法,其特征在于包括如下步骤:
2.根据权利要求1所述的一种基于深度学习的全心四维增强心脏ct分割方法,其特征在于:所述步骤(3),采用两个卷积层,每一层分别进行批归一化和校正线性联合,提取每个lvef类别的患者临床标记物中被污染的特征;两个卷积层的核大小分比为(1、3)和(1、2),分别有32个滤波器和64个滤波器。
3.根据权利要求1所述的一种基于深度学习的全心四维增强心脏ct分割方法,其特征在于:所述步骤(4)包括:
4.根据权利要求1所述的一种基于深度学习的全心四维增强心脏ct分割方法,其特征在于:所述卷积神经网络是基于2d架构,包括数据输入层、卷积神经层、激活层、池化层与全连接层。
5.根据权利要求4所述的一种基于深度学习的全心四维增强心脏ct分割方法,其特征在于:所述数据输入层,用于输入卷积神经网络的原始数据或经过预处理的数据,数据输入层输入的图像包含rgb三个通道,由长宽分别为h和w组成的3维像素值矩阵h×w×3。
6.根据权利要求4所述的一种基于深度学习的全心四维增强心脏ct分割方法,其特征在于:所述卷积神经层,由六个特征面构成,每个特...
【专利技术属性】
技术研发人员:赵杰,许敏欢,盛诗雨,
申请(专利权)人:嘉兴磁心医疗科技有限公司,
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。