[发明专利]心脏MR图像自动分割方法、装置、电子设备和存储介质

说明书

本发明提供了一种基于Dilated‑DenseNet卷积网络的左心室MR图像分割方法。该方法利用空洞卷积缓解深度学习中梯度消失和内存过度消耗的问题，并且通过数据增强和提取感兴趣区域的方法提升了网络的准确性。分割结果采用最小平均欧几里得距离、Dice系数等指标进行评价分析。在MICCAI2009心室分割数据集的138张图片上的测试结果为：内、外膜的平均Dice系数分别为0.9135和0.9579，最小平均欧几里得距离分别为1.7134和1.4165。实验结果表明，此方法分割精度明显高于传统方法，对于含有左心室流出道的MR图像也能准确分割。

技术领域

本发明涉及图像处理技术领域，尤指心脏MR图像自动分割方法、装置、电子设备和存储介质。

背景技术

心脏病是造成现代世界人们死亡的主要病因之一。在全世界因病死亡的患者中每三个病例就有一例是心脏病。近些年来，核磁共振(Magnetic Resonance,MR)图像技术越来越成熟，心脏MR图像为医生提供了更为准确的疾病信息，对于医学临床治疗具有重大意义。但是由于病人太多，医生每天接收到的患者MR图像可能达到成百上千张，人工看图诊断一方面耗费人力，另外也过于依赖医生的经验知识，从而判断结果会偏于主观。

基于这些问题，现有技术对心脏MR图像的自动分割算法进行了广泛的研究，可以分为两大类：传统分割算法和基于深度学习的分割算法。

在传统算法里，为了分割出左心室的内膜和外膜边界，主要采取动态规划法和活动轮廓模型法，但是单纯利用这两种方法很难达到令人满意的效果，需要对这两种算法上进行优化或综合其他算法。例如，胡怀飞提出了一种采用非极大值抑制和限制区域范围的动态规划分割算法(在下文中用“HU的方法”来表示胡怀飞提出的算法)，在此算法中，极大值点代替了基本动态规划中的梯度代价，能较好地克服非心外膜组织的强边缘干扰，然而，其不足之处在于个别图像中，心肌内部出现的极大值点对心外膜提取有较大的干扰。

近些年来，深度学习在语义识别、计算机视觉上取得了突飞猛进的发展，很多学者也将深度学习用于左心室的分割上。Avendi等人提出一种基于深度学习算法的左心室自动分割方法。他们将问题分解为定位、形状推断和分割任务，选择卷积网络进行定位和提取感兴趣区域(Region of Interest,ROI)，用分层预训练来防止网络的过拟合现象，使用堆叠AE稀疏自编码神经网络进行训练，该种方法具有较强的鲁棒性和准确性。

但是，在利用深度学习的方法分割左心室MR图像时，梯度消失现象是经常容易出现的问题。在计算机视觉会议CVPR2017年提出的网络中，DenseNet脱离了加深网络层数(ResNet)和加宽网络结构(Inception)来提升网络性能的定式思维，从特征的角度考虑，通过特征重用和旁路(Bypass)设置，既大幅度减少了网络的参数量，又在一定程度上缓解了梯度消失问题的产生，加强了特征的传递并更有效地利用了特征，在一定程度上减少了参数数量。但是，DenseNet有个缺陷，其特征的数量仍然会随着网络层数的增加而成倍的增长，会非常消耗内存并且在训练时也会过于浪费时间。

发明内容

本发明实施例的目的是提供一种心脏MR图像自动分割方法、装置、电子设备及存储介质，借以解决利用深度学习网络进行MR图像自动分割时梯度消失和内存过度消耗的问题，并提升网络的准确性，继而提高分割的精度。

本发明提供的技术方案如下：

第一方面，本发明实施例提供了一种心脏MR图像自动分割方法，所述方法包括：

对训练集中的心脏MR图像数据进行感兴趣区域提取，并进行数据增强；

基于所述数据增强后的数据，进行Dilated-DenseNet网络模型训练，所述模型训练包括调整所述Dilated-DenseNet网络的参数；