[發明專利]心房間隔閉塞患者心臟醫學影像分割方法及系統

在審

• 申請號: 201911389822.2
• 申請日: 2019-12-28
• 公開（公告）號: CN111127504A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 黃建龍;吳劍煌
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06T7/174
• 分類號: G06T7/174;G06T7/11
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 曹衛良

1.一種心房間隔閉塞患者心臟醫學影像分割方法，其特征在于，該方法包括如下步驟：

a.采集心房間隔閉塞患者心臟MRI數據集，利用光譜分析方法處理該MRI數據集；

b.將由光譜分析方法處理過的MRI數據集進行數據增強，并將數據增強后的MRI數據集進行二元分類的分割，得到被正確劃分的MRI數據集；

c.對被正確劃分的MRI訓練數據集，采用遷移學習方法微調卷積神經網絡模型，以提取對后續醫學影像分割有用的特征；

d.利用提取的對醫學影像分割有用的特征設計U-Net架構，并利用U-Net架構完成端到端的像素到像素的醫學影像分割。

2.如權利要求1所述的方法，其特征在于，所述的步驟b具體包括：

采用數據增強的方法對MRI數據集進行數據增強，水平和垂直滑動，隨機裁切，增加顏色抖動和高斯噪聲；

對數據增強后的MRI數據集進行分割，將分割視為二元分類，即0和1，1代表被正確地劃分，0代表被錯誤地劃分。

3.如權利要求2所述的方法，其特征在于，所述的步驟c具體包括：

利用遷移學習方法選用深度學習卷積神經網絡VGG 16的預訓練模型作為U-Net網絡的編碼器；

利用深度學習卷積神經網絡VGG 16的預訓練模型對ImageNet權值進行初始化；

采用微調的方法修改深度學習卷積神經網絡VGG 16預訓練模型最后一層的輸出類別，并且加快最后一層的參數學習速率；調整Solver的配置參數。

4.如權利要求3所述的方法，其特征在于，所述的步驟d具體包括如下步驟：

U-Net架構的左半部分是編碼器部分，所述編碼器捕獲上下文的收縮路徑，進行特征提取；

U-Net架構的右半部分是解碼器部分，所述解碼器進行精確定位對稱擴展路徑；

利用U-Net架構的編碼器部分和解碼器部分對醫學影像進行分割并得到分割結果。

5.如權利要求4所述的方法，其特征在于，所述的分割結果包括：

True positives：被正確地劃分為正例的個數；

False positives：被錯誤地劃分為正例的個數；

False negatives：被錯誤地劃分為負例的個數；

True negatives：被正確地劃分為負例的個數。

6.一種心房間隔閉塞患者心臟醫學影像分割系統，其特征在于，該系統包括采集模塊、數據集劃分模塊、微調模塊以及影像分割模塊，其中：

所述采集模塊用于采集心房間隔閉塞患者心臟MRI數據集，利用光譜分析方法處理該MRI數據集；

所述數據集劃分模塊用于將由光譜分析方法處理過的MRI數據集進行數據增強，并將數據增強后的MRI數據集進行二元分類的分割，得到被正確劃分的MRI數據集；

所述微調模塊根據對被正確劃分的MRI訓練數據集，采用遷移學習方法微調卷積神經網絡模型，以提取對后續醫學影像分割有用的特征；

所述影像分割模塊用于利用提取的對醫學影像分割有用的特征設計U-Net架構，并利用U-Net架構完成端到端的像素到像素的醫學影像分割。

7.如權利要求6所述的系統，其特征在于，所述的數據集劃分模塊具體用于：

采用數據增強的方法對MRI數據集進行數據增強，水平和垂直滑動，隨機裁切，增加顏色抖動和高斯噪聲；

對數據增強后的MRI數據集進行分割，將分割視為二元分類，即0和1，1代表被正確地劃分，0代表被錯誤地劃分。

8.如權利要求7所述的系統，其特征在于，所述的微調模塊具體用于：

利用遷移學習方法選用深度學習卷積神經網絡VGG 16的預訓練模型作為U-Net網絡的編碼器；

利用深度學習卷積神經網絡VGG 16的預訓練模型對ImageNet權值進行初始化；

采用微調的方法修改深度學習卷積神經網絡VGG 16預訓練模型最后一層的輸出類別，并且加快最后一層的參數學習速率；調整Solver的配置參數。