[发明专利]基于多尺度细粒度的磁共振左心房分割方法

说明书

本发明涉及一种基于多尺度细粒度的磁共振左心房分割方法，属于医学图像分析技术领域，包括以下步骤：S1：构建三维神经网络提取影像的特征图谱；S2：针对特征图谱进行心房壁分割时，分解为两部分：第一部分为将心房壁分割任务变换为心房腔分割，直接得到分割结果；第二部分为根据心房腔位置生成许多尺度一致的边缘感兴趣区域BROIs进行细粒度分割；S3：利用Dice系数和交叉熵联合计算训练过程中的loss评估分割效果；S4：将BROIs中的分割误差类型进行分类；S5：将评估心房分割结果与BROIs中分割结果的一致性用于全局平滑约束，一致性越差的结果则正则项值越大。

技术领域

本发明属于医学图像分析技术领域，涉及一种基于多尺度细粒度的磁共振左心房分割方法。

背景技术

早期进行心房磁共振分析时，临床医生主要依赖主观经验利用手动分割软件(例如：3D slicer，ITK-SNAP等)完成。由于心房壁薄，磁共振成像部分容积效应严重，因此医生需要反复从多个视角、不同层面去推测才能确定心房壁的位置。为了简化标注过程，Siebermair等人假设心房壁厚度均匀(都为四个像素点)，医生只需标注出心外膜即可确定心内膜位置，但实际上心房壁的厚度并不相同。准确的测量壁厚才可以在术前规划合适的能量进行消融，于是Bisbal等人手动分割出了心房壁的内外膜，从而辅助规划复发病人手术时的最佳消融路径。但是，心房手动分割耗时长、容易受主观因素影响，许多研究者开始尝试将深度学习应用在心房的自动分割中。其中，Mortazi等人尝试利用2D深度神经网络分别从冠状位、矢状位、轴位对影像进行学习，完成了核磁亮血序列的心房分割。但是该方法针对同一任务需要训练三个网络分支，训练过程的计算开销大。Xiong等人尝试从影像的不同尺度上充分挖掘图像信息，设计了双支神经网络进行心房内外膜的分割。值得注意的是，上述算法并没有针对心房解剖结构的特点进行设计，难以克服心房壁薄由柔性运动形变导致的分割难题，如正样本像素(心房壁像素)远远小于负样本像素(非心房壁像素)带来的训练难题。面向心房进行分割时，由于心房壁非常薄、部分容积效应严重，导致训练中的正负像素点比例严重失衡，求解过程容易出现多个优化解，结合先验知识可进一步约束求得最优解。因此，要克服心房分割中特有的难点，需要充分利用心脏解剖结构等先验知识，通过构建结构化风险最小的损失函数，设计适合于心房分割的深度学习网络。

发明内容

有鉴于此，本发明的目的在于结合心脏解剖结构的先验知识，通过定义心腔分割任务及多尺度边缘感兴趣区域分割任务，最后实现心房壁的细粒度分割，该技术的突破可缩短临床心脏磁共振图像的后处理时间。

为达到上述目的，本发明提供如下技术方案：

一种基于多尺度细粒度的磁共振左心房分割方法，包括以下步骤：

S1：构建三维神经网络提取影像的特征图谱；

S2：针对特征图谱进行心房壁分割时，分解为两部分：

第一部分为将心房壁分割任务变换为心房腔分割，直接得到分割结果，以降低房壁数据不均衡对分割算法产生的严重影响；

第二部分为根据心房腔位置生成许多尺度一致的边缘感兴趣区域BROIs进行细粒度分割，以准确定位心房内外膜从而准确的判断心房壁位置；

S3：利用Dice系数和交叉熵联合计算训练过程中的loss评估分割效果；

S4：将BROIs中的分割误差类型进行分类；

S5：将评估心房分割结果与BROIs中分割结果的一致性用于全局平滑约束，一致性越差的结果则正则项值越大。

进一步，构建完成三维神经网络后，设计含先验信息的房壁分割损失函数，包括：心房腔分割的损失函数边缘感兴趣区域的损失函数以及一致性约束正则项