[发明专利]基于深度神经网络的CT左心室短轴图像分割方法、装置、计算机设备和存储介质

说明书

本申请涉及一种基于深度神经网络的CT左心室短轴图像分割方法、装置、计算机设备和存储介质，方法包括：获取CT影像中的左心室短轴图像；将所述左心室短轴图像输入深度神经网络模型，得到所述左心室短轴图像的边界分割结果。该方案相对于现有技术，深度神经网络模型基于8层编码‑解码结构训练得到，能够提炼出更深层次的抽象信息，可实现快速并自动分割出短轴位图像中的左心室边界(内、外边界)，能够提高左心室短轴图像分割结果的准确性。

技术领域

本申请涉及计算机技术领域，特别是涉及一种基于深度神经网络的CT左心室短轴图像分割方法、装置、计算机设备和存储介质。

背景技术

心血管疾病是严重威胁人类生命、健康的常见病，心脏CT血管造影术(CTangiography，CTA)由于无创、操作简便，已经成为临床上一种重要的诊断心血管疾病的方法，该影像下左心室的边界准确分割是量化心室容积、射血分数、左心室质量、壁增厚以及壁运动异常等临床指标以定量分析心脏整体和局部的功能，进而诊断和治疗心血管疾病的关键步骤。

手动分割左心室繁琐耗时，且易受主观因素的影响与制约，在临床实践中是不可行的，现有的全自动分割方法存在分割精度不够高等问题。

发明内容

本申请提供的一种基于深度神经网络的CT左心室短轴图像分割方法、装置、计算机设备和存储介质，用于解决现有技术中分割精度不够高的问题。

一种基于深度神经网络的CT左心室短轴图像分割方法，包括：

获取CT影像中的左心室短轴图像；

将所述左心室短轴图像输入深度神经网络模型，得到所述左心室短轴图像的边界分割结果。

可选地，所述深度神经网络模型的训练路径包括收缩路径和扩张路径：

所述收缩路径包括9个编码块，每个编码块包含两个3×3卷积层，每个卷积层后添加有一个批量归一化层和一个ReLU激活层，前8个编码块后利用一个2×2最大池化层进行下采样；

所述扩张路径包括8个解码块，每个解码块包含两个3×3卷积层，每个卷积层后添加有一个批量归一化层和一个ReLU激活层，每个解码块前利用一个2×2反卷积层进行上采样；

所述收缩路径和扩张路径中对应块的特征图按照通道维度进行跳跃连接。

可选地，所述深度神经网络模型的每个块中，并入残差结构；所述扩张路径中，前7次上采样操作添加深监督分支，并赋予注意力机制。

可选地，所述注意力机制包括通道域注意力机制和空间域注意力机制。

可选地，所述神经网络模型的训练图像集获取方式为：

采集得到多幅左心室短轴图像，组成初始图像集；

训练过程中每次迭代时，将初始图像集中的每幅左心室短轴图像通过随机旋转、随机缩放和随机剪切得到增强图像。

可选地，所述随机旋转的角度范围为-5°～5°，所述随机缩放的比例范围为0.90到1.10，所述随机剪切的角度范围为-5°～5°。

可选地，所述基于深度神经网络的CT左心室短轴图像分割方法还包括：

获取原始CT影像中左心室心腔最大帧X，并在左心室心腔最大帧X中标记心尖点A与二尖瓣中心点B；

平行于心尖点A与二尖瓣中心点B的连线，且垂直于CT扫描平面对CT影像进行切割，得到长轴切面序列；

获取所述长轴切面序列中左心室心腔最大帧Y，并在左心室心腔最大帧Y中标记得到心尖点A'与二尖瓣中心点B'；