[发明专利]三维左心房分割方法、装置、终端设备及存储介质

说明书

本申请实施例适用于医学图像处理技术领域，公开了一种三维左心房分割方法、装置、终端设备及计算机可读存储介质，方法包括：获取待分割心脏磁共振图像；从待分割心脏磁共振图像中分割出ROI区域，ROI区域为包含三维左心房的区域；将ROI区域输入预先训练的层次聚合网络模型，得到待分割心脏磁共振图像的分割结果；其中，层次聚合网络模型为包括编码器路径和解码器路径的U‑Net卷积神经网络模型，编码器路径包括至少一个分层聚合模块，分层聚合模块包括作为主干分支的层次聚合单元和作为掩码分支的注意单元。本申请实施例可以提高三维左心房分割的效率和准确率。

技术领域

本申请属于医学图像处理技术领域，尤其涉及一种三维左心房分割方法、装置、终端设备及计算机可读存储介质。

背景技术

医学图像是指利用计算机断层扫描CT、磁共振成像MRI、B超或者正电子发射型计算机断层显像PET等等医疗成像设备获取的图像数据，其一般是以二维切片形式组成的三维图像数据。医学图像的分割是处理医学图像的关键手段，其是指将医学图像中具有特殊涵义的不同区域区分开，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。

心房颤动又名房颤是常见的心律失常类型，由于对人心房结构缺乏了解，导致目前房颤治疗效果不佳。钆造影剂被应用于MRI扫描，以提高患者内部结构图像的清晰度，钆增强磁共振成像GE-MRI是评价心房纤维化的重要工具。

而为了更加了解心房结构，往往需要对MRI图像进行心房分割。目前，从三维GE-MRI图像中分割左心房LA是很有挑战性的。左心房LA与背景的对比度差，降低了左心房LA边界的可见性；在扫描过程中，患者呼吸节律不规律和心率变异性，图像质量可能受到影响。近年来，随着深度学习的迅速发展，人们提出了几种全自动的左心房LA分割方法。例如，可以在具有自适应融合策略的多视图卷积神经网络中，分别将三维数据从轴向、矢状面和冠状面分别解析为二维分量，然后对每个分量分别进行多视点卷积神经网络分析；也可以采用ConvLSTM构成的扩展残差网络和序贯学习网络，扩展了多视点学习策略。但是，现有基于三维GE-MRI图像分割左心的房方法性能低下。

发明内容

有鉴于此，本申请实施例提供一种三维左心房分割方法、装置、终端设备及计算机可读存储介质，以解决现有心脏磁共振图像的性能低下的问题。

本申请实施例的第一方面提供了一种三维左心房分割方法，包括：

获取待分割心脏磁共振图像；

从所述待分割心脏磁共振图像中分割出ROI区域，所述ROI区域为包含三维左心房的区域；

将所述ROI区域输入预先训练的层次聚合网络模型，得到所述待分割心脏磁共振图像的分割结果；

其中，所述层次聚合网络模型为包括编码器路径和解码器路径的U-Net卷积神经网络模型，所述编码器路径包括至少一个分层聚合模块，所述分层聚合模块包括作为主干分支的层次聚合单元和作为掩码分支的注意单元。

结合第一方面，在一种可能的实现方式中，所述从所述待分割心脏磁共振图像中分割出ROI区域，包括：

通过预训练U-Net卷积神经网络对所述待分割心脏磁共振图像进行检测，得到ROI区域检测结果；其中，所述预训练U-Net卷积神经网络的每一级具有两个卷积层；

根据所述ROI区域检测结果对所述待分割心脏磁共振图像进行裁剪，得到所述ROI区域。

结合第一方面，在一种可能的实现方式中，所述层次聚合单元包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，每个卷积层后均连接有批量归一化和校正线性单元；

其中，所述第一卷积层与所述第二卷积层级联，将级联结果输入所述第三卷积层；对所述第三卷积层进行卷积运算得到所述第四卷积层，所述第三卷积层和所述第四卷积层连接生成所述第五卷积层；