结合感兴趣区域距离度量学习和迁移学习的心肌检测方法技术

本发明专利技术公开了一种结合感兴趣区域距离度量学习和迁移学习的心肌检测方法。该方法包括：获取待测目标的磁共振图像；将所述磁共振图像输入到经训练的分类模型，获得心肌纤维化分类结果。所述分类模型包括区域生成模块和检测模块，该检测模块包括迁移瓶颈层、顶层和分类层，所述区域生成模块以磁共振图像阵列作为输入，输出具有候选区域的磁共振图像阵列，所述迁移瓶颈层针对所述具有候选区域的磁共振图像阵列提取每个切片瓶颈特征，进而输入到所述顶层获得顶层特征，所述分类层基于所述顶层特征，获得心肌纤维化分类结果。本发明专利技术预测准确度高，能够有效预测心肌纤维化和辅助人工诊断。断。断。

【技术实现步骤摘要】
结合感兴趣区域距离度量学习和迁移学习的心肌检测方法


[0001]本专利技术涉及医学图像分析
，更具体地，涉及一种结合感兴趣区域距离度量学习和迁移学习的心肌检测方法。

技术介绍

[0002]目前，心脏成像技术，诸如计算机断层扫描(CT)、磁共振成像(MRI)、核医学和超声在临床实践中被广泛使用。例如，延迟增强磁共振(DE
‑
MRI)技术是用于检查心肌梗塞的有用工具。患者完成心脏MRI后，采用延迟增强处理以准确计算相关参数。然而，该方法耗时且依赖医生的判断，从而导致疾病检测结果不一致。
[0003]传统的MRI分类算法可分为降尺度分类和纹理分类，其中降尺度分类主要从感兴趣区域(ROI)中提取特征。MRI纹理分类提取心脏纹理特征，以区分心肌梗死组和对照组。这些传统的MRI机器学习分类依赖先前的模型，往往需要人工分割，难度较大。如果先前的分割不可靠，分类就不准确。在心肌DE
‑
MRI中，由于心肌与组织(诸如，脊柱小梁之间的灰度重叠，梗塞的心肌区域的灰度与血池的灰度极其相似，这导致心肌心内膜部分与梗塞的心肌区域之间的边界模糊。使用传统的距离度量难以有效融合两个区域，并且无法准确生成ROI扫描，从而影响后续检测模型的性能。
[0004]在医学图像分割任务中已经使用了几种深度学习分割算法，例如FNN、U
‑
Net、3DU
‑
Net、V
‑
Net和ResNet等。深度学习通过非线性模型将图像序列转换为特征，并通过几个全连接(FC)层生成抽象特征，从而产生针对分类对象的更具体和有效的特征表示。目前，卷积神经网络(CNN)已成为用于从心血管图像中提取特征的首选方法。该模型可自动从MRI数据中提取特征以用于分类。然而，由于CNN具有大量权重，其需要大量耗时的训练和较高的规格。另外，深度学习网络通常需要大量的训练数据集以确保分类准确度，但可用的公共DE
‑
MRI数据仍然有限。作为针对小数据训练的分类深度网络，迁移学习网络已在另一数据集上进行了预训练，从而可减少跨目标训练集的训练。早期使用迁移学习进行诊断的是3D CNN，其使用U
‑
Net来提取特征并将这些特征应用到模型的较低层，并且利用全连接层来构建高层。然而，该方法使用了具有大量权重的3D卷积，导致训练时间较长。因此，二维迁移网络被提出用于MRI诊断，例如AlexNet和VGG16。这两个网络使用AlexNet和VGG16作为预训练网络，然后对图像进行切片，通过位置和图像熵选择几张切片图像，将它们输入到2D CNN，然后将2D神经网络的输出馈送到顶层以完成整个过程。由于网络使用图像序列，因此切片可用作2D卷积神经网络的输入，从而避免了3D图像与2D网络之间的维度不匹配。然而，切片会导致信息丢失，从而对分类准确度产生不利影响。

技术实现思路

[0005]本专利技术的目的是克服上述现有技术的缺陷，提供一种结合感兴趣区域距离度量学习和迁移学习的心肌检测方法。该方法包括以下步骤：
[0006]获取待测目标的磁共振图像；
[0007]将所述磁共振图像输入到经训练的分类模型，获得心肌纤维化分类结果；
[0008]其中，所述分类模型包括区域生成模块和检测模块，该检测模块包括迁移瓶颈层、顶层和分类层，所述区域生成模块以磁共振图像阵列作为输入，输出具有候选区域的磁共振图像阵列，所述迁移瓶颈层针对所述具有候选区域的磁共振图像阵列提取每个切片瓶颈特征，进而输入到所述顶层获得顶层特征，所述分类层基于所述顶层特征，获得心肌纤维化分类结果。
[0009]与现有技术相比，本专利技术的优点在于，将感兴趣区域度量学习与迁移学习相结合，利用联合超像素监督距离度量模型来生成候选区域，因为学习到的度量模型嵌入有与心脏组织相关的特征信息，所以生成的潜在候选区域可更准确地涵盖目标区域，从而改善后续候选框检测的准确度。另外，利用难分样本挖掘策略来减轻由候选区域中样本严重不平衡引起的性能障碍。
[0010]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
[0011]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。
[0012]图1是根据本专利技术一个实施例的结合感兴趣区域距离度量学习和迁移学习的心肌检测方法的流程图；
[0013]图2是根据本专利技术一个实施例的心肌纤维化分类模型的总体框架图；
[0014]图3是根据本专利技术一个实施例的结合距离度量学习的分类架构示意图；
[0015]图4是根据本专利技术一个实施例的生成ROI结果的示意图；
[0016]图5是根据本专利技术一个实施例的迁移学习中的训练和特征提取的过程示意图；
[0017]图6是根据本专利技术一个实施例的MobileNet的可分离卷积示意图；
[0018]图7是根据本专利技术一个实施例迁移学习中的顶层和分类层示意图；
[0019]图8是根据本专利技术一个实施例的心肌纤维化患者和正常心脏的序列样本示意图；
[0020]图9是根据本专利技术一个实施例的正常样本和心肌纤维化样本的对比图；
[0021]图10是根据本专利技术一个实施例的ROI生成结果的对比图。
具体实施方式
[0022]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。
[0023]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。
[0024]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。
[0025]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。
[0026]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。
[0027]参见图1所示，所提供的结合感兴趣区域距离度量学习和迁移学习的心肌检测方法包括以下步骤。
[0028]步骤S110，采集数据集，以获得磁共振图像与分类标签之间的对应关系。
[0029]实验数据集从湘雅医院的48名受试者中获得。例如，受试者中有27名男性和21名女性，他们的年龄范围在32至72岁之间。所有受试者均已书面同意。采集的图像是DE
‑
MRI，使用Siemens Prisma、1.5Tesla、model
‑
syngo MRE11扫描仪，穿过心房长轴方向执行扫描。采集参数设置为：回波时间＝1.33，重复时间TE＝321.79。采集图像后，由多名临床经验丰富的心脏病专家进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合感兴趣区域距离度量学习和迁移学习的心肌检测方法，包括以下步骤：获取待测目标的磁共振图像；将所述磁共振图像输入到经训练的分类模型，获得心肌纤维化分类结果；其中，所述分类模型包括区域生成模块和检测模块，该检测模块包括迁移瓶颈层、顶层和分类层，所述区域生成模块以磁共振图像阵列作为输入，输出具有候选区域的磁共振图像阵列，所述迁移瓶颈层针对所述具有候选区域的磁共振图像阵列提取每个切片瓶颈特征，进而输入到所述顶层获得顶层特征，所述分类层基于所述顶层特征，获得心肌纤维化分类结果。2.根据权利要求1所述的方法，其特征在于，所述候选区域根据以下步骤获取：通过简单线性迭代聚类在图像上生成初始超像素区域，并对所述初始超像素区域执行无监督预融合，获得中间候选区域，所述中间候选区域是指包含心脏部分的区域；利用学习的第一距离度量模型对所述中间候选区域进行有监督融合，得到第一级融合候选区域；利用学习的第二距离度量模型对第一级融合候选区域进行有监督融合，得到第二级融合候选区域；对第二级融合候选区域进行形状约束后，作为最终的候选区域。3.根据权利要求2所述的方法，其特征在于，第一距离度量模型和第二距离度量模型的训练集根据以下步骤构建：使用简单线性迭代聚类将样本图像分割成多个初始超像素区域；使用无监督预融合策略对所述初始超像素区域进行融合，获得中间候选区域；通过双线性插值将每个中间候选区域的外框缩放成τ
×
τ大小，并计算获得图像块的强度特征向量，其中τ是设定值；对于每一个框，测量真实包围区域与生成区域的比率，并通过比较所述比率与设定阈值的大小确定样本图像的类别信息；根据该类别信息，可构建成对相似集S和相异集D，用于训练第一距离度量模型和第二距离度量模型。4.根据权利要求1所述的方法，其特征在于，所述分类模型的训练过程包括：利用训练集预训练所述分类模型；利用所述预训练的分类模...

【专利技术属性】
技术研发人员：黄建龙，贾富仓，陈藏，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：