一种基于深度学习的心房颤动评估方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的心房颤动评估方法和装置。该方法包括：对于采集的原始心房图像，利用高斯卷积运算获得多个不同模糊度的心房图像；对于所述不同模糊度的心房图像，利用卷积神经网络提取特征图，获得对应的多个特征图，并利用通道加权模块融合所述多个特征图，获得基本特征映射图；将所述基本特征映射图输入到经训练的U

【技术实现步骤摘要】
一种基于深度学习的心房颤动评估方法和装置


[0001]本专利技术涉及医学图像处理
，更具体地，涉及一种基于深度学习的心房颤动评估方法和装置。

技术介绍

[0002]心房颤动(AF)是最常见的持续性心律失常，并且有许多并发症，诸如高血压、心力衰竭和冠心病等。心房重塑的功能是探讨房颤的重要病理生理机制。心房重塑的主要机制包括电重塑、结构重塑、代谢重塑和自主神经重塑等。这些重塑最初补偿和维持心脏功能，但可能发展成非适应性变化，导致渐进式泵衰竭和恶性心律失常等。因此，深入了解心房的大小、功能及其重塑机制可以提供对心房影响的新见解、AF的治疗策略，以及心血管疾病预后和风险等级的重要信息。由于左心房是心脏结构的重要组成部分，因此本文主要左心房为例进行说明。
[0003]由于左心房结构的复杂性和不同患者左心房之间的差异性，使得很难准确地了解每个患者的左心房，导致误诊和治疗不理想。无创医学成像是心血管领域不可缺少的技术，例如MRI(磁共振成像)检查方式的高测量精度使其成为监测心血管疾病进展和治疗的理想方式。并且，处理医学成像的改进算法使MRI成为评估心房疾病的优秀可视化工具。目前已有许多特征提取器，例如AlexNet、VGGNet和GoogLeNet等。然而，在现有技术中，左心房图像重建效果还有待改建，并且左心房3D重建之前的手动分割效率低下且容易出错。

技术实现思路

[0004]本专利技术的目的是克服上述现有技术的缺陷，提供一种基于深度学习的心房颤动评估方法和装置。
[0005]根据本专利技术的第一方面，提供一种基于深度学习的心房颤动评估方法。该方法包括以下步骤：
[0006]对于采集的原始心房图像，利用高斯卷积运算获得多个不同模糊度的心房图像；
[0007]对于所述不同模糊度的心房图像，利用卷积神经网络提取特征图，获得对应的多个特征图，并利用通道加权模块融合所述多个特征图，获得基本特征映射图；
[0008]将所述基本特征映射图输入到经训练的U
‑
Net网络进行图像分割；
[0009]基于获得的分割图像重建完整心动周期中的三维心房模型。
[0010]根据本专利技术的第二方面，提供一种基于深度学习的心房颤动评估装置。该装置包括：
[0011]不同尺度图像获取单元：用于对于采集的原始心房图像，利用高斯卷积运算获得多个不同模糊度的心房图像；
[0012]特征提取单元：用于对于所述不同模糊度的心房图像，利用卷积神经网络提取特征图，获得对应的多个特征图，并利用通道加权模块融合所述多个特征图，获得基本特征映射图；
[0013]图像分割单元：用于将所述基本特征映射图输入到经训练的U
‑
Net网络进行图像分割；
[0014]图像重建单元：用于基于获得的分割图像重建完整心动周期中的三维心房模型。
[0015]与现有技术相比，本专利技术的优点在于，设计了一种具有高斯模糊和通道权重的新型U
‑
Net，用于自动分割AF患者心房图像的心房区域。高斯模糊后，得到不同分辨率的图像，高分辨率图像清晰地显示了心房的细节特征，而低分辨率图像清晰地显示了心房的整体轮廓，从而解决医学图像特征少的问题。
[0016]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0017]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0018]图1是根据本专利技术一个实施例的基于深度学习的心房颤动评估方法的流程图；
[0019]图2是根据本专利技术一个实施例的相同图像在不同高斯尺度下的对比结果；
[0020]图3是根据本专利技术一个实施例的图像分割框架示意图；
[0021]图4是根据本专利技术一个实施例的整个心脏的三维视图；
[0022]图5是根据本专利技术一个实施例的将八个样本图像切片的分割结果与相关的真实值进行比较的示意图；
[0023]图6是根据本专利技术一个实施例的从二维左心房图像重建三维左心房模型的示意图；
[0024]图7是根据本专利技术一个实施例的从AF患者重建心动周期不同点的3D左心房示意图；
[0025]附图中，Input image
‑
输入图像；Channel weight
‑
通道权重；Output image
‑
输出图像；Deconvolution
‑
反卷积；Gaussia blur
‑
高斯模糊；Multiply
‑
乘；Convolution
‑
卷积；Max pool
‑
最大池化；Superior vena cava
‑
上腔静脉；Right pulmonary vena
‑
右肺静脉；Aorta
‑
主动脉。
具体实施方式
[0026]现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0027]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0028]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0029]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0030]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一
个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0031]本专利技术以心脏磁共振图像为例，提出了一种基于卷积神经网络的自动分割心房区域的技术方案，其中卷积神经网络可采用多种类型。考虑到在计算机视觉领域，U
‑
Net为语义分割任务提供了全卷积网络模型，在图像分割方面表现出令人满意的性能，在下文的描述中，以U
‑
Net网络为例进行说明，其输入是任意图像，输出是与输入相同大小的分割结果图像，然后利用分割信息得到图像的语义。
[0032]在一个实施例中，基于MRI和U
‑
Net分割技术重建了动态变化的3D左心房模型，以探讨人工智能(AI)在心脏诊断中的临床价值。本专利技术的目的是在视觉分析的基础上，使用基于AI的分割结果重建完整心动周期中的3D左心房模型，适用于AF患者。
[0033]为了实现对左心房图像的精确分割，本专利技术对U
‑
Net网络进行了改进，在本文中，将改进后的网络模型称为GCW
‑
UNet。具体地，参见图1所示，所提供的基于深度学习的心房颤动评估方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的心房颤动评估方法，包括以下步骤：对于采集的原始心房图像，利用高斯卷积运算获得多个不同模糊度的心房图像；对于所述不同模糊度的心房图像，利用卷积神经网络提取特征图，获得对应的多个特征图，并利用通道加权模块融合所述多个特征图，获得基本特征映射图；将所述基本特征映射图输入到经训练的U
‑
Net网络进行图像分割；基于获得的分割图像重建完整心动周期中的三维图像结构。2.根据权利要求1所述的方法，其特征在于，所述通道加权模块包括全局池化层、卷积激活层和softmax层，其中全局池化层对输入特征图执行全局平均池化计算，获得一维特征向量；卷积激活层通过卷积运算和激活处理加强所述一维特征向量中各个元素的相关性；softmax层用于将所述一维特征向量的每个元素值处理为在0与1之间，获得通道权重。3.根据权利要求2所述的方法，其特征在于，所述U
‑
Net网络包含提取不同深度特征的U型结构，对于相同深度层之间的跳跃连接，使用所述通道权重模块取代U
‑
Net的复制和裁剪。4.根据权利要求1所述的方法，其特征在于，所述多个不同模糊度的心房图像根据下式获得：M(x,y)＝G(x,y)
×
I(x,y)其中，I(x,y)是原始图像，G(x,y)是二维高斯卷积的方程，σ表示方差。5.根据权利要求1所述的方法，其特征在于，所述U
‑
Net网络的训练损失函数设置为：Lo...

【专利技术属性】
技术研发人员：黄建龙，吴剑煌，杨可，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：