论文部分内容阅读
心肌分割在心血管疾病的临床诊断中起着重要的作用,利用心肌分割的结果,可以方便地对心脏进行三维建模以及计算出心肌厚度和心肌质量等;同时心肌分割是很多心脏图像处理的基础,如配准、图谱构建等。由于心脏的医学图像中心肌组织存在着边界不明显、位于不同切片位置和不同时间序列上的心肌结构差异较大等特点,心肌分割一直是心脏图像处理中很有挑战性的任务,传统的图像分割算法很难在心肌分割任务上具有良好的分割精度与鲁棒性。同时,传统的图像分割算法一般为半自动的分割算法,需要人工参与,这带来了额外的工作量。因此,提出一种全自动、高精度、高鲁棒性的心肌分割算法十分必要。本文在分析了国内外现有的心肌分割算法存在的不足之后,提出了两种不同架构的基于深度学习的全自动心肌分割算法,分别是基于图像块分类的心肌分割算法和基于全卷积网络的心肌分割算法。其中,基于图像块分类的心肌分割算法通过心脏定位网络与心肌分割网络共同合作的方式,改善了传统的基于图像块分类的分割算法存在的运算量过大、过于耗时的问题,在测试集上能够以平均0.94s的每幅图像处理速度达到平均90.23%的戴斯相似性系数结果。而基于全卷积网络的心肌分割算法则通过搭建端到端的神经网络模型,使得心肌分割的效率大大提升,其中,我们提出的HeartNet模型在测试集上能以144.9FPS的速度达到平均90.48%的戴斯相似性系数结果。本文在Kaggle数据竞赛中心脏挑战赛的数据集上进行了实验,该数据集包含了 1140个病人的心脏图像,每个病人的心脏图像均采集于多个切片位置,每个切片位置均含有完整的30帧心动周期的心脏图像序列。通过对实验结果的分析以及与其他分割算法的对比,验证了本文提出的算法的准确性与鲁棒性,肯定了本文算法在临床应用上的价值。同时,本文还基于本文提出的算法,搭建了全自动心肌分割的平台,提高了本文算法的实用性。