[发明专利]稠密连接非对称层次网络训练方法及心脏运动场估计方法

说明书

本发明公开了一种稠密连接非对称层次网络训练方法及心脏运动场估计方法，针对心脏运动估计问题，利用稠密连接的编码‑解码的非对称深度学习网络，提取两幅相邻时间点Cine MR图像中左心室的多尺度特征，通过编码‑解码结构网络将不同尺度特征进行融合，以决策像素点的位移量。其中稠密连接网络的引入减轻了梯度消失现象，通过左心室特征的融合，更有效地利用了左心室特征，并且具备较少的网络参数。其中非对称的网络结构可以得到等间距的稀疏形变场，进一步利用B样条插值得到平滑的稠密形变场。在网络训练的目标函数中引入了形变场的扭曲能量约束，改善了形变场的平滑性，可以得到更稳定合理的心脏运动场，以用于心血管疾病的量化分析。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种稠密连接非对称层次网络训练方法及心脏运动场估计方法。

背景技术

利用心脏影像分析其解剖结构及运动变化在心脏疾病诊断中具有重要作用，是心脏疾病诊断与制定治疗方案的重要手段。心脏运动估计是利用不同时间点的心脏图像序列，估计心脏形变函数，再通过插值拟合出心脏的连续运动模型。利用这种连续运动模型可以估计心脏在任意时刻的状态，完成精确的心血管结构和功能量化，描述心脏在运动过程中的心输出量和射血分数、心肌应变等指标，预测心脏上病变位置的运动轨迹以及检测病变周围组织的变化情况，对冠心病的发现和治疗提供了很大帮助。

心脏运动估计可分为基于灰度信息相似性的方法和基于几何特征的方法。基于灰度信息相似性的方法定义两个心脏图像之间的相似性度量，例如互信息、相关系数、强度差等，然后利用形变函数对浮动图像进行形变，求解形变参数，使相似性度量达到最优。基于灰度信息相似性的方法中的一类是基于B样条自由形变(FFD)的配准方法(简称FFD配准方法)是基于灰度相似性的心脏运动估计中常用的一类方法。FFD配准方法的优点是B样条具有局部特性，其局部区域的变化不会影响到其他区域的配准，同时其形变自由且光滑，缺点是由于形变过于自由，容易导致形变结果发生剧烈变化，拓扑结构不能保持，需要对形变增加约束条件。基于灰度信息相似性的方法中的另一类是光流法，光流法是将弹性配准过程理解为源图像的每个体素点逐渐向目标图像对应体素扩散的过程，源图像的每个体素的扩散速度由目标图像的强度梯度决定。光流法能估计密集形变场，但是估计局部存在较大形变的位移场时存在困难，另外，光流亮度守恒约束条件不适合待配准图像的所有区域，如MR图像的亮度不均匀，局部病灶异常等情况。

基于几何特征的方法是定义反映心脏解剖结构的形状模型，然后寻找不同时间点心脏形状之间的对应关系，以估计形变函数。常用的形状描述包括点集、面、三角剖分、骨架、基函数的参数描述法等，其中点集、面、三角剖分是比较常用的形状描述方法。点集是心脏形状描述中最常用的方法，基于点集匹配的图像配准方法常用在心脏运动估计中，这类方法提取心室的解剖标志点，通过使点集间距离最小完成点集匹配，从而寻找点集之间的对应关系及形变函数。

早期的心脏运动模型估计主要是基于tagged MR成像中的标志点跟踪，但是这种成像的标志点随着心动周期变化会逐渐消失，造成跟踪困难。而cine MR成像分辨率较高，具有较好的成像对比度，但是由于心肌部分具有相似的成像强度而难以确定对应关系，使心肌运动估计变得困难。目前的心脏运动估计希望利用cine MR成像清晰的特点，实现高精度的运动估计，但目前还没有基于深度学习的面向cine MR的心脏运动估计方法。

发明内容

本发明主要目的在于，提供一种稠密连接非对称层次网络训练方法及心脏运动场估计方法，以解决传统Cine MR成像的心脏运动估计问题，得到更稳定合理的心脏运动场。

本发明是通过如下技术方案实现的：

一种稠密连接非对称层次网络训练方法，包括如下步骤：

步骤A1：构建稠密连接的编码-解码的非对称深度学习网络；

步骤A2：为所述非对称深度学习网络设置网络参数；

步骤A3：输入相邻时间点的两幅Cine MR左心室图像；