【技术实现步骤摘要】
本专利技术涉及左心房分割与量化，具体为一种基于v-net网络的左心房分割与量化方法。
技术介绍
1、心房颤动(af)是临床上最常见的心律失常，发生率高达1％，并且随着年龄的增长而迅速上升，在老年人群中发病率很高。使用肺静脉(pv)隔离技术的射频导管消融已成为治疗af患者最常用的方法之一，疤痕的位置和范围为af的病理生理学和进展提供了重要信息。
2、晚期钆增强磁共振成像(lge mri)已被广泛用于观察心脏疤痕的范围和分布。lgemri对左心房(la)和疤痕的分割和量化为患者选择、临床诊断和治疗分层提供了可靠的信息。但是手动描绘la和疤痕既耗时又具有主观性，因此非常需要一种自动分割方法，然而，由于lge mri图像质量差、la形状多样、la壁薄以及来自周围组织的噪声增强等问题，因此很难通过自动化技术构建先进的房颤患者疤痕分析模型，目前存在的主要解决方法通常是对la分割与疤痕量化两大部分进行独立处理，而忽略了la和疤痕之间的内在空间关系
3、为此本申请现提出一种基于v-net网络的左心房分割与量化方法。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于v-net网络的左心房分割与量化方法，具备快速准确的方式实现了端到端的la分割、疤痕分割和疤痕量化的优点，解决了手动描绘la和疤痕既耗时又具有主观性、自动化技术存在图像质量差、la形状多样、la壁薄以及来自周围组织的噪声增强等阻碍、存在的主要方法忽略了la和疤痕之
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种基于v-net网络的左心房分割与量化方法，包括左心房分割和疤痕分割与多中心左心房分割，所述左心房分割和疤痕分割包含病例输入阶段、左心房分割阶段、疤痕分割阶段、测试集分割结果；所述多中心左心房分割包含病例输入、去除多余背景、数据缩放、图像截断、搭建v-net 3d网络与分割结果验证。
5、优选的，所述左心房分割和疤痕分割具体步骤如下：
6、s101、病例输入：输入60例训练数据、10例测试数据；
7、s102、左心房分割阶段：去除多余背景，提取人体roi，采用固定阈值(10，图像最大值)，形态学开操作(核大小为3)和最大连通域来处理得到；
8、将数据缩放到固定大小为(256×160×64)，训练数据中随机选择10例作为验证集，剩下50例为模型训练数据，最后对训练数据进行10倍数据扩充操作(旋转，平移，翻转等操作)
9、对图像进行像素大小百分比截断(1，99)，采用z-score方式进行归一化处理；
10、搭建v-net 3d网络，使用adamw优化器，学习率是0.001，batchsize是6，epoch是200，损失函数采用二分类的dice和交叉熵；
11、训练结果和验证结果；
12、验证集分割结果；
13、s103、疤痕分割阶段：去除多余背景，提取左心房壁附近区域；
14、将数据缩放到固定大小为(192×128×64)，训练数据中随机选择10例作为验证集，剩下50例为模型训练数据，最后对训练数据进行10倍数据扩充操作(旋转，平移，翻转等操作)；
15、对图像进行像素大小百分比截断(1，99)，采用z-score方式进行归一化处理；
16、搭建v-net 3d网络，使用adamw优化器，学习率是0.001，batchsize是10，epoch是200，损失函数采用二分类的dice和交叉熵；
17、训练结果和验证结果；
18、验证集分割结果；
19、s104、最后测试集分割结果。
20、优选的，所述左心房分割阶段中去除多余背景，提取人体roi，采用固定阈值(10，图像最大值)，形态学开操作(核大小为3)和最大连通域来处理得到，统计roi图像的平均图像大小(578，377，44)，平均spacing大小(0.625，0.625，2.5)。
21、优选的，所述疤痕分割阶段去除多余背景，提取左心房壁附近区域，对左心房mask分别进行形态学膨胀(核大小是5)和形态学腐蚀(核大小是3)，将膨胀结果减去腐蚀结果，采用最大连通域分析得到左心房壁附近区域roi结果，统计roi图像的平均图像大小(174，105，38)，平均spacing大小(0.625，0.625，2.5)。
22、优选的，所述多中心左心房分割具体步骤如下：
23、s201、输入130例训练数据，20例测试数据；
24、s202、去除多余背景，提取人体roi，采用固定阈值(10，图像最大值)，形态学开操作(核大小为3)和最大连通域来处理得到，统计roi图像的平均图像大小(586，373，54)，平均spacing大小(0.712，0.712，2.15)；
25、s203、将数据缩放到固定大小为(256×160×64)，训练数据中随机选择20例作为验证集，剩下110例为模型训练数据，最后对训练数据进行5倍数据扩充操作(旋转，平移，翻转等操作)；
26、s204、对图像进行像素大小百分比截断(1，99)，采用z-score方式进行归一化处理；
27、s205、搭建v-net 3d网络，使用adamw优化器，学习率是0.001，batchsize是6，epoch是200，损失函数采用二分类的dice和交叉熵；
28、s206、训练结果和验证结果；
29、s207、验证集分割结果；
30、s208、测试集分割结果。
31、与现有技术相比，本专利技术提供了一种基于v-net网络的左心房分割与量化方法，具备以下有益效果：
32、1、该基于v-net网络的左心房分割与量化方法，该网络以快速准确的方式实现了端到端的la分割、疤痕分割和疤痕量化；通过对比，与传统单独实现la分割和疤痕量化的方法相比，联合优化方案具有更好的性能，结果与地面真值有更高的重叠比，产生更少的假阳性，并保留了更多的细节，表明方法的有效性、泛化性和鲁棒性，所产生的结果三维表示更接近真实的la模型。
本文档来自技高网...【技术保护点】
1.一种基于V-Net网络的左心房分割与量化方法，其特征在于：包括左心房分割和疤痕分割与多中心左心房分割，所述左心房分割和疤痕分割包含病例输入阶段、左心房分割阶段、疤痕分割阶段、测试集分割结果；所述多中心左心房分割包含病例输入、去除多余背景、数据缩放、图像截断、搭建V-Net 3D网络与分割结果验证。
2.根据权利要求1所述的一种基于V-Net网络的左心房分割与量化方法，其特征在于：所述左心房分割和疤痕分割具体步骤如下：
3.根据权利要求2所述的一种基于V-Net网络的左心房分割与量化方法，其特征在于：所述左心房分割阶段中去除多余背景，提取人体ROI，采用固定阈值(10，图像最大值)，形态学开操作(核大小为3)和最大连通域来处理得到，统计ROI图像的平均图像大小(578，377，44)，平均Spacing大小(0.625，0.625，2.5)。
4.根据权利要求2所述的一种基于V-Net网络的左心房分割与量化方法，其特征在于：所述疤痕分割阶段去除多余背景，提取左心房壁附近区域，对左心房Mask分别进行形态学膨胀(核大小是5)和形态学腐蚀(核大小
5.根据权利要求1所述的一种基于V-Net网络的左心房分割与量化方法，其特征在于：所述多中心左心房分割具体步骤如下：
...【技术特征摘要】
1.一种基于v-net网络的左心房分割与量化方法，其特征在于：包括左心房分割和疤痕分割与多中心左心房分割，所述左心房分割和疤痕分割包含病例输入阶段、左心房分割阶段、疤痕分割阶段、测试集分割结果；所述多中心左心房分割包含病例输入、去除多余背景、数据缩放、图像截断、搭建v-net 3d网络与分割结果验证。
2.根据权利要求1所述的一种基于v-net网络的左心房分割与量化方法，其特征在于：所述左心房分割和疤痕分割具体步骤如下：
3.根据权利要求2所述的一种基于v-net网络的左心房分割与量化方法，其特征在于：所述左心房分割阶段中去除多余背景，提取人体roi，采用固定阈值(10，图像最大值)，形态学开操作(核大小为3)和最大连通域来处理...
【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。