[发明专利]基于深度学习和形变模型超声心动图心室分割方法及装置

权利要求书

1.一种基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，包括如下步骤：

步骤一、获取超声心动图数据；

步骤二、在所述超声心动图数据中，人工标记心室内膜；

步骤三、对标记了心室内膜的图像进行预处理，作为训练数据；

步骤四、使用所述训练数据对心室粗分割模型进行训练，得到粗分割训练结果；

步骤五、计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算每个中心点到其所在的截面上的外边缘的距离的平均值，最后取所有中心点的距离的平均值作为半径；

步骤六、根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型；

步骤七、基于重构的三维初始化模型，采用形变模型对心室粗分割结果进行精细分割；

步骤八、使用训练后的粗分割模型以及精细分割模型进行心室内膜分割。

2.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，所述超声心动图数据为通过超声设备获取二维的、多个相位多个方向的超声心动图切片数据或三维的超声心动图数据。

3.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，步骤三具体包括：

对标记了心室内膜的图像进行旋转、多尺度和多种类的滤波操作，以及多尺度的缩放，将上述处理的结果作为训练数据。

4.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，步骤四中，所述心室粗分割模型为基于深度学习的卷积网络。

5.根据权利要求1所述的基于深度学习和形变模型的超声心动图心室分割方法，其特征在于，步骤七中，形变模型为snake模型、snake模型的相关改进模型、水平集模型或水平集模型的相关改进模型。

6.一种基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，包括：

图像获取模块，用于获取已进行人工标记的心室内膜的图像；

预处理模块，用于对标记了心室内膜的图像进行预处理，作为训练数据；

粗分割训练模块，用于使用所述训练数据对心室粗分割模型进行训练，得到粗分割训练结果；

参数计算模块，用于计算粗分割训练结果在每一个截面的中心点，根据所有中心点拟合出一条直线，并计算每个中心点到其所在的截面上的外边缘的距离的平均值，最后取所有中心点的距离的平均值作为半径；

重采样模块，用于根据计算得到的中心点和半径进行重采样，基于采样结果重构三维初始化模型；

精细分割模块，用于基于重构的三维初始化模型采用形变模型对心室粗分割结果进行精细分割；

实测模块，用于使用训练后的粗分割模型以及精细分割模型进行心室内膜分割。

7.根据权利要求6所述的一种基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，所述超声心动图数据为通过超声设备获取二维的、多个相位多个方向的超声心动图切片数据或三维的超声心动图数据。

8.根据权利要求6所述的一种基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，预处理模块具体包括：

旋转变换单元，用于对标记了心室内膜的图像进行旋转操作；

滤波单元，用于对标记了心室内膜的图像进行多尺度和多种类的滤波操作；

缩放变换单元，用于对标记了心室内膜的图像进行多尺度的缩放；

训练数据输出单元，用于将所述旋转变换单元、滤波单元、缩放变换单元的处理结果作为训练数据输出至粗分割训练模块。

9.根据权利要求6所述的一种基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，粗分割训练模块中，心室粗分割模型为基于深度学习的卷积网络。

10.根据权利要求6所述的一种基于深度学习和形变模型的超声心动图心室分割装置，其特征在于，

精细分割模块中，形变模型为snake模型、snake模型的相关改进模型、水平集模型或水平集模型的相关改进模型。