[发明专利]高分辨率心机运动模式分析装置和方法

说明书

本发明公开了一种高分辨率心机运动模式分析装置，包括：超分辨率处理单元，所述超分辨率处理单元接收原始心脏图像，通过聚焦感兴趣的区域ROI的超分辨率神经网络对图像进行超分处理，得到超分辨率的图像；以及运动分析单元，运动分析单元通过深度学习框架提取经超分辨率处理的图像中的局部和全局运动特征。

技术领域

本发明涉及图像处理领域，更具体而言，本发明涉及高分辨率心机运动模式分析装置和方法。

背景技术

现阶段心肌梗死的精准评估依赖于使用造影剂后的核磁扫描，但造影剂的使用有潜在危害，特别是一定程度上会影响患者的肾功能。心肌梗死和周围冬眠心肌的大小、范围是影响心肌梗死患者左心收缩功能的重要原因。患者是否应当接受再血管化治疗，需要评价患者治疗后心肌功能可能的恢复情况，例如超过心肌厚度的50％的心肌梗死厚度难以恢复功能。心脏磁共振成像(MRI)是评价心肌梗死和冬眠心肌的重要影像学方法，尤其是通过钆类对比剂的延迟强化序列能够准确评价心肌梗死的存在和范围。但是肾功能损害在患有冠状动脉疾病的患者中是常见的，并且如果严重，则不能进行用于心肌梗死(MI)评估的晚期钆增强(LGE)成像。

即便使用造影剂以获得医学图像，仍因图像分辨率不佳而阻碍图像数据的进一步分析诊治。用于图像增强的超分辨率(SR)在医学图像应用中具有重要意义。从广义上讲，有两种类型的SR，一种需要从同一对象的不同视图中的多个低分辨率(LR)图像重建为高分辨率(HR)输出，另一种依赖于大量学习训练数据集，即LR-HR对。在真实的临床环境中，从多视图获取图像是昂贵的并且有时是不可行的。为此，在基于GAN框架并不断优化图像分辨率方面已有诸多研究，但结果通常不尽如人意并且仍然远不能达到现实要求。

发明内容

本发明提出一种全新高分辨率新机运动模式分析方法。首先，通过对非造影剂增强心脏电影序列MRI的深入学习，从递归神经网络提取局部运动特征和并使用先进光流方法导出全局运动特征，建立慢性心肌梗死的自动描述框架。然后，基于生成对抗网络(GAN)的学习框架，从语义标签贴图自动生成高分辨率图像而无需人工辅助。解决了使用GAN从图像低分辨率版本生成高分辨率版本难度极大和目前获得的高分辨率图像结果中缺少细节和逼真纹理的两大技术难题。由此实现人工智能无创精准识别慢性心肌梗死。

根据本发明的一个实施例，提供一种高分辨率心机运动模式分析装置，包括：

超分辨率处理单元，所述超分辨率处理单元接收原始心脏图像，通过聚焦感兴趣的区域ROI的超分辨率神经网络对图像进行超分处理，得到超分辨率的图像；以及

运动分析单元，运动分析单元通过深度学习框架提取经超分辨率处理的图像中的局部和全局运动特征。

在本发明的一个实施例中，聚焦ROI的超分辨率神经网络包括：

ROI检测神经网络，用于接收原始心脏图像，利用最大池化残差块和输入尺度自由残差神经网络进行处理，输出ROI区域图像；

超分辨率图像生成器G，用于接收ROI区域图像，从ROI区域图像的低分辨率图像估计出高分辨率图像；

预训练的视觉几何组VGG和图像鉴别器D，用于根据真实有效的高分辨率图像找出超分辨率图像。

在本发明的一个实施例中，超分辨率图像生成器G使用超分辨率残差网络。

在本发明的一个实施例中，深度学习框架包括：

心脏腔室定位单元，使用Zelier和Fergus网络模型从输入的图像序列中定位心脏腔室；以及

运动特征提取单元，用于从递归神经网络RNN提取局部运动特征并使用先进光流方法导出全局运动特征。

在本发明的一个实施例中，所述深度学习框架还包括判别网络，使用堆叠自动编码器来联合学习局部运动特征和全局运动特征，以提供心脏腔室内每个像素的有效运动特征表示。