基于U形网络的心室瘢痕分割方法技术

基于U形网络的心室瘢痕分割方法，依次包括如下步骤：（1）选取数据集和基本模型：由于心室瘢痕数据的采集很困难，数据难以大量获取，因此实验选用LGE‑MRI数据集，Unet网络模型对医学图像分割效果较好；（2）对获取的实验数据集进行预处理：首先使用掩膜图像保留心肌部分，然后根据mask所在位置及大小做裁剪，在按照中心填充的方式填充到160×160大小，最后针对心肌部分做归一化处理；（3）数据划分：把预处理后的图像数据划分为训练集和测试集；（4）学习率在训练过程中进行多项式衰减；（5）心室瘢痕分割的评价指标；（6）对原始网络进行改进；（7）进行心室瘢痕分割；本发明专利技术所述的方法提高了心室瘢痕分割的准确度，方法简便，易于实施。

【技术实现步骤摘要】
基于U形网络的心室瘢痕分割方法
本专利技术属于医学图像处理
，尤其涉及一种基于U形神经网络模型的心室瘢痕分割方法。
技术介绍
急性心肌梗死(acutemyocardialinfarction,AMI)是在临床上非常常见的急危重症图，社会老龄化，越来越快的生活节奏，生活压力导致的心理问题，以及随着生活水平提高而改变的偏高油高糖的饮食习惯，这些因素使得我国的急性心肌梗死的发病率也随之呈现不断.上升的势头。急性心肌梗死是很多其他心脏疾病的主要病因，如心率失常，心力衰竭等。心室瘢痕分割结果对于心血管疾病诊断很重要，利用心室瘢痕分割的结果可以计算出心动过速。另外一方面还可利用分割结果对心肌形态进行判断。由于心脏磁共振图像中心室瘢痕边界不明显，不同病人和不同切片位置上的心室瘢痕形态差别很大。这导致以往的医学图像分割方法很难在分割效果好的条件下还能确保具有很好的鲁棒性，而且以往的医学图像分割方法往往需要在经验丰富医生的帮助下才可以进行，费时又费力。另外医生的个人水平也会对实验造成影响,因此找到一个分割精度高，鲁棒性又好的心室瘢痕分割方法对于医生和病人来说都是非常有意义的。随着大规模标记数据的出现和计算机的发展，利用深度学习算法来实现心脏的自动分割已经成为当前研究的热点。其中，2015年，OlafRonneberger基于全卷积网络(FullyConvolutionalNetworks，FCN)模型提出了针对医学图像分割的U-Net模型。U-Net网络与FCN都拥有经典的编码-解码拓扑结构，但是U-Net拥有对称的网络结构和跳跃连接，并且在心脏图像的分割上U-Net的结果比FCN更加优秀。针对心脏图像分割精度难以提升的问题，研究者在U-Net基础上进行的改进研究大致可分为两类：基于2DU-Net构架的改进研究，基于3DU-Net构架的改进研究。虽然3D网络充分利用了MR图像的三维特征，但是在训练网络中由于参数数量较大，网络很难从头训练，并且存在对GPU、内存等消耗过大的问题。因此2D网络，在心室瘢痕分割任务上受到研究者的青睐。结合上述方法，以提高分割精度为目标，本专利技术提出了一种基于U形网络的心室瘢痕分割方法，主要用来解决分割心室瘢痕边界精度不高的问题。
技术实现思路
本专利技术旨在提供一种分割准确度高的基于U形网络的心室瘢痕分割方法。为解决上述技术问题，本专利技术提供了如下的技术方案：基于U形网络的心室瘢痕分割方法，依次包括如下步骤：(1)选取数据集和基本模型：由于心室瘢痕数据的采集很困难，数据难以大量获取，因此实验选用LGE-MRI数据集，Unet网络模型对医学图像分割效果较好；(2)对获取的实验数据集进行预处理：首先使用掩膜图像保留心肌部分，然后根据mask所在位置及大小做裁剪，在按照中心填充的方式填充到160×160大小，最后针对心肌部分做归一化处理；(3)数据划分：把预处理后的图像数据划分为训练集和测试集；(4)根据公式(1)对获取到的实验数据进行像素值做最大最小归一化预处理；其中x表示某一位置的像素值，min和max表示图像中像素值的最小和最大值，得到的x*的范围是0—1之间；(5)学习率在训练过程中进行多项式衰减，衰减的公式如(2)，其中base_lr＝0.01，iter为当前迭代轮数，max_iter为最大迭代轮数，power＝0.5；(6)心室瘢痕分割的评价指标；1)Dicescore(DICE)：其中A表示的是分割结果围住的区域，M表示的是由专家标注围住的区域；2)准确率(Accuracy)：其中TP表示真阳性，是指正确分类为瘢痕的像素；TN表示真阴性，是指正确分类为背景的像素；FP表示假阳性，是指错误分类为瘢痕的像素；FN表示假阴性，是指错误分类为背景的像素；3)jaccard：其中A表示的算法分割结果中瘢痕区域，B表示的是标记中瘢痕区域；(7)进行心室瘢痕分割，方法如下：1)训练阶段：在训练阶段，对本专利技术提出的DFU-Net网络进行参数训练。使用Keras深度学习框架对训练集进行模型参数的学习，采用RMSprop算法，初始的学习率(lr)设置为0.001，使用公式(2-8)进行多项式衰减，梯度平方的移动均值(rho)的衰减率设置为0.9。训练500个epoch，运用Dice损失函数，实验选取验证集最小损失时的权重系数作为训练阶段的最终训练权重，为后续测试阶段提供权重参数；本专利技术提出的DFU-Net网络的主要创新在：a.引入密集连接网络：密集连接网络可以加强特征在神经网络中的传播。使得底层神经网络中的特征在高层中也得到了更好的复用，还减少了参数的数量。同时为了扩大感受野，使用扩展卷积来提升神经网络的感受野。b.引入CRF结构：条件随机场可以克服卷积神经网络带来的缺少边缘约束的问题，把DenseCRF的平均算法求解过程改变为一个RNN网络形式，并且与CNN网络结合，形成一个端到端网络，使得最终达到更好的分割效果。2)测试阶段：数据集包含的数据有15个，随机选取心室瘢痕数据集中的11个作为训练集，4个作为测试集。图像的大小分别为480×480和512×512两种，切片数量从10到50不等，格式为NRRD。使用训练阶段得到的最终权重参数对测试图像进行心室瘢痕分割，最终得到分割好的心室瘢痕结果图。通过以上技术方案，本专利技术的有益效果为：提出了一种改进的DFU-Net心脏图像分割算法。利用扩展卷积，在扩大感受野的同时，保持分辨率不变，同时改进了网络的深度，并且引入了密集连接网络和条件随机场，减少了参数量，最终形成可训练的端到端的分割算法。与经典的U-Net分割算法相比，本算法结构更加精细，能有效解决心室瘢痕分割的过分割与欠分割问题，分割结果精度较高。附图说明图1为本专利技术数据预处理流程图。图2为本专利技术流程图。具体实施方式如图1所示，一种基于U形网络的心室瘢痕分割方法，依次包括如下步骤：(1)选取数据集和基本模型：由于心室瘢痕数据的采集很困难，数据难以大量获取，因此实验选用LGE-MRI数据集，Unet网络模型对医学图像分割效果较好；(2)对获取的实验数据集进行预处理：首先使用掩膜图像保留心肌部分，然后根据mask所在位置及大小做裁剪，在按照中心填充的方式填充到160×160大小，最后针对心肌部分做归一化处理；(3)数据划分：把预处理后的图像数据划分为训练集和测试集，方便用于训练和测试；(4)根据公式(1)对获取到的实验数据进行预处理，为了结果的可视化，对原始DICOM图像使用了最大最小归一化来使灰度范围落在0-255之间；其中x表示某一位置的像素值，min和max表示图像中像素值的最小和最大值，得到的x*的范围是0—1之间。(5)学习率在训练过程中进行多项式衰减，衰减的公式如(2)，其中base_lr＝0.01，iter为本文档来自技高网...

【技术保护点】
1.基于U形网络的心室瘢痕分割方法，其特征在于：依次包括如下步骤：/n(1)选取数据集和基本模型：由于心室瘢痕数据的采集很困难，数据难以大量获取，因此实验选用LGE-MRI数据集，Unet网络模型对医学图像分割效果较好；/n(2)对获取的实验数据集进行预处理：首先使用掩膜图像保留心肌部分，然后根据mask所在位置及大小做裁剪，在按照中心填充的方式填充到160×160大小，最后针对心肌部分做归一化处理；/n(3)数据划分：把预处理后的图像数据划分为训练集和测试集；/n(4)根据公式(1)对获取到的实验数据进行像素值做最大最小归一化预处理；/n

【技术特征摘要】
1.基于U形网络的心室瘢痕分割方法，其特征在于：依次包括如下步骤：
(1)选取数据集和基本模型：由于心室瘢痕数据的采集很困难，数据难以大量获取，因此实验选用LGE-MRI数据集，Unet网络模型对医学图像分割效果较好；
(2)对获取的实验数据集进行预处理：首先使用掩膜图像保留心肌部分，然后根据mask所在位置及大小做裁剪，在按照中心填充的方式填充到160×160大小，最后针对心肌部分做归一化处理；
(3)数据划分：把预处理后的图像数据划分为训练集和测试集；
(4)根据公式(1)对获取到的实验数据进行像素值做最大最小归一化预处理；



其中x表示某一位置的像素值，min和max表示图像中像素值的最小和最大值，得到的x*的范围是0—1之间；
(5)学习率在训练过程中进行多项式衰减，衰减的公式如(2)，



其中base_lr＝0.01，iter为当前迭代轮数，max_iter为最大迭代轮数，power＝0.5；
(6)心室瘢痕分割的评价指标；
1)Dicescore(DICE)：其中A表示的是分割结果围住的区域，M表示的是由专家标注围住的区域；



2)...

【专利技术属性】
技术研发人员：崔晓娟，白鑫昊，杨铁军，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41