【技术实现步骤摘要】
本专利技术属于心脏影像分割，尤其涉及一种基于多模态的心脏影像分割方法及系统。
技术介绍
1、基于医学影像自动识别心肌梗死并发症是临床工作的迫切需求。目前诊断心肌梗死并发症主要通过医师对多种临床及医学影像资料综合评估，心脏影像因其图像复杂、种类繁多、缺乏标准化格式等，对医师识图判图能力的要求更高，导致了诊断耗时长、效率低、可重复性差。在特殊情况下，更高的医患防护要求和更多的预检程序导致诊断心肌梗死并发症的效能进一步降低。
2、因此，临床迫切需要通过医工结合，研发提高心肌梗死并发症诊断效率的医学影像自动识别工具，有力保障重大突发灾难事件的应急诊疗流程并降低临床死亡率。然而，基于医学影像自动识别心肌梗死并发症面临的技术难题如下：
3、(1)缺乏高质量的心脏影像标注数据；
4、(2)现有人工智能方法缺乏科学严谨的因果推理能力；
5、(3)人工智能研究者和心血管临床专家缺乏全面深入高效的合作。
6、人工智能方法包括传统机器学习算法和深度学习算法，结合无创诊断技术对心肌梗死及其并发症的可视化资料进行疾病特征提取、分类和自主学习，获得自动识别疾病的能力。
7、人工智能结合超声心动图主要通过评估心脏收缩功能和识别室壁运动来诊断心肌梗死及其并发症。tabassian m等应用独立主成分分析(pca)模型提取心肌节段应变的时空特征并据此构建基于k-邻近的机器学习分类器来自动评估心肌梗死的早期收缩功能，模型的平均分类准确率大于85％，总体效率高于人工诊断。kusunose k等应
8、应用心脏磁共振鉴别心肌梗死组织日益成为人工智能的研究热点，中国学者zhang利用深度学习算法结合心脏磁共振电影成像，可通过自动识别心肌运动特征以判断心肌梗死。baessler.b利用人工智能方法从磁共振影像中提取心脏纹理特征来区分心肌梗死组和对照组，多元逻辑回归显示曲线下面积达0.92，达到了较为理想的识别效果。
9、人工智能结合冠脉ct诊断心肌梗死及其并发症的关键是冠脉狭窄段的形态学分析和粥样硬化斑块的检出及定量评估。doeberitz等采用基于机器学习算法的ct血流储备分数较单纯使用血管狭窄百分比的诊断效能明显提高(曲线下面积分别为0.93和0.61)。kang.d等应用深度学习算法自动化分类ccta阻塞性和非阻塞性冠状动脉疾病，准确度达94％。国内深圳科亚医疗运用深度学习算法及医学影像分析技术，基于ccta研发出“冠脉血流储备分数计算软件”，实现无创冠脉功能评估的技术革新，是国内首款获批医疗器械三类证的人工智能产品。
10、总体来说，人工智能应用于心肌梗死及其并发症图像识别领域的研究成果初见成效，但受限于参差不齐的图像资料格式、尚不稳健的机器学习模型及浅尝辄止的跨领域合作，现阶段的医工交叉成果与真正的临床应用尚存在距离。未来探索更加着眼于优化人工智能算法、提高模型可解释性、研究适用于多媒体资料的分析技术和开发更加适配的医疗载体等方向。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种基于多模态的心脏影像分割方法及系统，可用于核磁共振、超声波、ct等模态的医疗检测图像，完成多模态的图像分割，为后续的诊断及并发症预测提供合理的输入数据，进一步保证了较高的检测准确性和快速性。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、本专利技术第一方面提供了一种基于多模态的心脏影像分割方法。
4、一种基于多模态的心脏影像分割方法，包括以下步骤：
5、获取多模态医学图像；
6、将预处理后的图像输入至包含正向分割网络和反向映射网络的心脏分割算法模型，利用正向分割网络来预测心脏分割，之后利用反向映射网络从上一个正向分割网络中恢复原图，基于对抗性训练方法对心脏分割算法模型进行训练，得到训练好的心脏分割算法模型；
7、将训练好的心脏分割算法模型迁移到跨媒体的心脏影像，完成多模态的图像分割。
8、本专利技术第二方面提供了一种基于多模态的心脏影像分割系统。
9、一种基于多模态的心脏影像分割系统，包括：
10、图像获取模块，被配置为：获取多模态医学图像；
11、模型构建和训练模块，被配置为：将预处理后的图像输入至包含正向分割网络和反向映射网络的心脏分割算法模型，利用正向分割网络来预测心脏分割，之后利用反向映射网络从上一个正向分割网络中恢复原图，基于对抗性训练方法对心脏分割算法模型进行训练，得到训练好的心脏分割算法模型；
12、迁移模块，被配置为：将训练好的心脏分割算法模型迁移到跨媒体的心脏影像，完成多模态的图像分割。
13、本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于多模态的心脏影像分割方法中的步骤。
14、本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于多模态的心脏影像分割方法中的步骤。
15、以上一个或多个技术方案存在以下有益效果：
16、本专利技术提供了一种基于多模态的心脏影像分割方法及系统，从多模态医学图像中提取各组学的特征，并使用对抗性训练方法联合正向分割网络和反向映射网络来训练心脏分割算法模型，最后，迁移到跨媒体的心脏影像，从而完成多模态的图像分割，为后续的诊断及并发症预测提供合理的输入数据。
17、与现有技术相比，本专利技术的方法深/浅层特征有着各自意义：网络越深，感受野越大，网络关注全局特征；浅层网络则更加关注纹理等局部特征；通过特征拼接来实现边缘特征的找回。
18、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于多模态的心脏影像分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于多模态的心脏影像分割方法，其特征在于：
3.如权利要求1所述的基于多模态的心脏影像分割方法，其特征在于，所述正向分割网络和反向映射网络的网络架构包括输入层、编码器、解码器、跳跃连接层和输出层：
4.如权利要求1所述的基于多模态的心脏影像分割方法，其特征在于，假设用I表示心脏分割，p(I)表示分割的先验分布，x表示心脏影像，q(x)表示心脏影像的先验分布：
5.如权利要求4所述的基于多模态的心脏影像分割方法，其特征在于，考虑如下两个函数：
6.如权利要求5所述的基于多模态的心脏影像分割方法，其特征在于，通过计算KL散度学习对f和g这两个分布进行联合训练，数学描述为：
7.如权利要求6所述的基于多模态的心脏影像分割方法，其特征在于，应用两个判别器网络Tψ1(x，I)和Tψ2(x，I)拟合网络生成的联合分布，得到如下两个优化目标：
8.一种基于多模态的心脏影像分割系统，其特征在于：包括：
9.计算机可
10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于多模态的心脏影像分割方法中的步骤。
...【技术特征摘要】
1.一种基于多模态的心脏影像分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于多模态的心脏影像分割方法，其特征在于：
3.如权利要求1所述的基于多模态的心脏影像分割方法，其特征在于，所述正向分割网络和反向映射网络的网络架构包括输入层、编码器、解码器、跳跃连接层和输出层：
4.如权利要求1所述的基于多模态的心脏影像分割方法，其特征在于，假设用i表示心脏分割，p(i)表示分割的先验分布，x表示心脏影像，q(x)表示心脏影像的先验分布：
5.如权利要求4所述的基于多模态的心脏影像分割方法，其特征在于，考虑如下两个函数：
6.如权利要求5所述的基于多模态的心脏影像分割方法，其特征在于，通...
【专利技术属性】
技术研发人员：钟嘉成，徐琳，任鸿儒，鲁仁全，李敏，李芳，黄建玉，胡佳曼，
申请(专利权)人：中国人民解放军南部战区总医院，
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。