[发明专利]距离正则水平集与卷积神经网络的左心室MRI图像分割方法

说明书

本发明公开了一种距离正则水平集与卷积神经网络的左心室MRI图像分割方法。该方法将水平集算法融入到卷积神经网络的训练过程，生成一个端到端的模型架构。该分割模型在卷积神经网络的向前传递中，学习心室的轮廓结构特征，自动形成水平集的初始化并指导其轮廓曲线演化趋近于目标的边界；在反向传播中，以水平集的迭代结果计算卷积神经网络的目标损失函数，并通过反向梯度传播更新卷积神经网络中的各层参数进行网络参数的快速收敛。通过上述两种方法互相结合、相互作用，实现卷积神经网络和水平集的联合分割。本发明有效解决了传统水平集算法中需要手工初始化和大量迭代的问题。

技术领域

本发明属于左心室图像分割技术领域，特别是一种融合距离正则水平集与卷积神经网络的左心室MRI图像分割方法。

背景技术

心脏疾病是导致人类死亡的主要疾病之一，有关心脏疾病的研究对医疗方面有着十分重要的意义。很多信息诸如心室体积、每搏输出量、射血分数以及心肌质量等临床参数需要通过分割心内膜和心外膜得到。临床上，心内膜与外膜的分割通常由专家手动执行，耗时耗力，且受操作者主观影响导致结果存在差异。因此，需要一种快速、准确、可重复以及自动化程度高的心脏分割算法。

在过去的几十年中已经提出了大量的自动分割方法，它们大体可以分为两类：经典方法和深度学习方法。

在经典分割方法中，边缘检测，区域生长，可变形模型和像素分类是左心室分割的常用方法。这些方法具有边界，灰度和区域等一系列特征，计算速度快，对强度敏感，操作方便。其中，属于可变形模型的主动轮廓法通过最小化给定曲线的主动轮廓能量函数，基于变分理论展示了不错的前景。如Li等人提出了一种距离正则水平集演化方法，使用该模型可以减少轮廓演化过程中出现的不规则现象并且每次迭代无需再次重置轮廓；Yang等人提出了凸保持水平集方法，该方法引入了凸保持机制，以保持曲线演化过程中演化轮廓凸的形状(1.C.Li,C.Xu,C.Gui,M.D.Fox Distance regular ized level set evolution andits appl ication to image segmentation IEEE Trans.Image Process.,19(12)(2010),pp.3243-3254.2.Cong,Yang,et al.A level set method for convexitypreserving segmentation of cardiac left ventr icle.Proceedings-InternationalConference on Image Processing,ICIP.2017.)。然而，活动轮廓算法往往伴随着手工初始化和大量的迭代次数以及分割精度不够的问题。这些问题进一步增加了该方法进行图像分割的难度和繁琐度。