[發明專利]一種心臟MRI影像耦合水平集分割方法及系統

有效

• 申請號: 202110557989.6
• 申請日: 2021-05-21
• 公開（公告）號: CN113379682B
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 楊聰;馬建紅;王瑞娟;朱英琳;趙博學;郭朔;鄧奎;李雙
• 申請（專利權）人: 鄭州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 鄭州德勤知識產權代理有限公司 41128
• 代理人: 黃紅梅

本發明提出了一種心臟MRI影像耦合水平集分割方法及系統，該方法包括基于卷積神經網絡的心肌內膜和外膜的粗分割階段，以及基于耦合水平集方法的心肌內膜和外膜的精分割階段；所述粗分割階段，采用U?Net框架分別構建心肌內膜和外膜的分割模型；在精分割階段，基于距離平滑變化約束的耦合水平集模型，設定距離平滑變化的約束條件，結合水平集的長度、規則約束，以及氣球力項，用兩個水平集函數分別提取心肌內膜和外膜的輪廓。本發明通過使用深度學習模型，結合基于距離約束的水平集方法，能夠實現心臟MRI影像的自動精準分割，節省臨床醫生手動分割影像的時間，大大提高影像分割的效率。

技術領域

本發明屬于醫學影像處理技術領域，尤其涉及一種心臟MRI影像耦合水平集分割方法及系統。

背景技術

心臟磁共振圖像的分割是實現心臟功能指標定量計算的前提，心臟MRI影像的分割主要存在著以下幾個難點：在底平面切片中，受左心室流出道的影響，部分心肌輪廓消失；心室血池內的脊小梁和乳突肌等組織與心肌具有相似的灰度分布，導致心肌內膜的輪廓模糊；在頂平面切片中，由于左心室的面積較小，加之受部分容積效應的影響，使得心肌內膜輪廓非常模糊。目前，主流的心臟MRI影像分割算法有基于動態規劃的算法、基于圖像配準的算法，基于圖論的算法以及基于活動輪廓模型的算法。然而，現有的心臟MRI影像分割方案算法通常單獨提取心臟個組織，忽略了心臟組織結構之間的空間位置關系，導致分割結果與解剖結構相背離。

發明內容

為了解決上述問題，有必要提供一種心臟MRI影像耦合水平集分割方法。

本發明第一方面提供一種心臟MRI影像耦合水平集分割方法，包括基于卷積神經網絡的心肌內膜和外膜的粗分割階段，以及基于耦合水平集方法的心肌內膜和外膜的精分割階段；

所述粗分割階段，采用U-Net框架分別構建心肌內膜和外膜的分割模型；在精分割階段，基于距離平滑變化約束的耦合水平集模型，設定距離平滑變化的約束條件，結合水平集的長度、規則約束，以及氣球力項，用兩個水平集函數分別提取心肌內膜和外膜的輪廓。

基于上述，使用U-Net對心肌內膜和外膜進行建模時，U-Net包括下采樣和上采樣兩部分；

上采樣過程與下采樣過程對稱，分別對特征圖進行3次采樣操作，其中，每次下采樣前先進行2次卷積操作。

基于上述，U-Net模型的損失函數基于Dice系數構建，Dice系數定義為公式：其中T為分割目標真實輪廓，P為分割目標的預測結果，T,P∈[0,1]^w×h，w和h則表示分割圖像的尺寸；

將1減去Dice系數作為U-Net模型的損失函數，定義為：Loss_Dice(T,P)＝1-Dice(T,P)，其中Dice(T,P)表示分割結果P與真實輪廓T的Dice系數值。

基于上述，令φ_i(x,y)＝0和φ_o(x,y)＝0兩個水平集函數的零水平集分別表示心肌內膜和外膜，E_ci為距離平滑變化約束條件,λ_i,α_i,μ_i,β_i為長度項E_L、氣球力E_A項及規則項E_R的系數；

對于心肌內膜分割，所述基于距離平滑變化約束的耦合水平集模型公式定義為：

E_i(φ_i；φ_o)＝λ_iE_L(φ_i)+α_iE_A(φ_i)+μ_iE_R(φ_i)+β_iE_Ci(φ_i；φ_o)；