[发明专利]基于卷积神经网络的心脏核磁共振图像关键点检测方法

说明书

本发明公开了基于卷积神经网络的心脏核磁共振图像关键点检测方法，通过构建卷积神经网络，利用逐像素分类器高效的检测多个关键点的区域，同时预测像素到关键点中心的距离，保证了关键点的精准预测。本发明通过去除误检的关键点，并将融合信息图中不在左心室和右心室之间的左右心室交叉点移除，根据局部最大值搜索方法来获取融合信息图中局部最大值，降低了检测的假阳率，并且保证了关键点检测的准确性。

技术领域

本领域属于心脏核磁共振图像关键点检测领域，具体涉及基于卷积神经网络的心脏核磁共振图像关键点检测方法。

背景技术

随着断层成像(CT)和磁共振成像(MR)被广泛地运用到疾病诊断、治疗规划和临床研究中，医学图像计算机辅助诊断(CAD)已成为医生临床诊断、确定治疗计划等日常工作中的一个重要步骤，而解剖结构关键点检测是该技术的一个重要研究热点。关键点检测技术可以帮助医生快速定位病灶、器官等感兴趣目标的位置，提高诊断效率。关键点检测算法在医学图像处理中取得了较好的检测效果，但仍具有一定局限性。现有技术中，对于基于阈值法、基于形态学处理和基于形状特征检测法，MRI图像存在的噪声干扰、像素值分布的不均匀性、左心室形状差异、心室与周边组织的高相似性都给检测算法的鲁棒性带来了较大的挑战。此外，稀疏自编码器与SVM分类器的混合模型不具备端到端的特点，影响检测效率。

发明内容

针对现有技术中的上述不足，本发明提供的基于卷积神经网络的心脏核磁共振图像关键点检测方法解决了现有技术中存在的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于卷积神经网络的心脏核磁共振图像关键点检测方法，包括以下步骤：

S1、采集待检测心脏核磁共振图像和训练原始图像，并对训练原始图像进行手工标注关键点处理，得到手工标注图像；

S2、对训练原始图像和手工标注图像进行数据增强处理，到的处理后的训练原始图像和手工标注图像；

S3、根据TensorFlow深度学习平台，搭建卷积神经网络，并通过处理后的训练原始图像和手工标注图像对卷积神经网络进行训练；

S4、将待检测心脏核磁共振图像输入训练完成的卷积神经网络，获取关键点概率图、左心室区域概率图和关键点中心距离回归值；

S5、将关键点概率图和关键点中心距离回归值进行融合，得到融合信息图，并根据左心室区域概率图将融合信息图中左心室区域内的误检关键点去除；

S6、将融合信息图中不在左心室和右心室之间的左右心室交叉点移除，根据局部最大值搜索方法，获取融合信息图中局部最大值，得到关键点检测结果。

进一步地，所述步骤S1中对训练原始图像进行手工标注关键点处理的具体方法为：

A1、对训练原始图像中左心室顶端上间断点进行手工标注，得到第一标签K1；

A2、对训练原始图像中左心室顶端下间断点进行手工标注，得到第二标签K2；

A3、对训练原始图像中右心室中心点进行手工标注，得到第三标签K3；

A4、对训练原始图像中左右心室上交叉点进行手工标注，得到第四标签K4；

A5、对训练原始图像中左右心室下交叉点进行手工标注，得到第五标签K5；

A6、对训练原始图像中左心室区域进行手工标注，获取第六标签K6，得到手工标注图像。

进一步地，所述步骤S2中对训练原始图像和手工标注图像进行数据增强处理的具体方法：将训练原始图像和手工标注图像进行随机裁剪、旋转、翻转和数据归一化处理。

进一步地，所述随机裁剪的具体方法为：将训练原始图像和手工标注图像进行随机裁剪，得到若干尺寸为224×224的图像块；