[發明專利]心臟核磁共振圖像中心室心肌分割模型訓練方法、分割方法及裝置

在審

• 申請號: 202110914622.5
• 申請日: 2021-08-10
• 公開（公告）號: CN113628230A
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 李書芳;張鵬皓;潘聚東
• 申請（專利權）人: 上海慧虎信息科技有限公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T5/00;G06T5/40
• 代理公司: 北京金咨知識產權代理有限公司 11612
• 代理人: 薛海波

本發明提供一種心臟核磁共振圖像中心室心肌分割模型訓練方法、分割方法及裝置，所述分割模型訓練方法采用對比度受限自適應直方圖均衡化和高斯模糊對心臟核磁共振影像進行預處理，能夠有效提升訓練樣本的圖像對比度，以提升識別和分割效果。同時，在分割模型訓練過程中，通過遷移學習的方式，能夠有效減少對于訓練數據的依賴性，在缺乏訓練數據的條件下提高識別準確性。進一步的，訓練中采用結合交叉熵損失、Dice損失和邊緣損失的混合損失函數，能夠減少無關背景的影響，并關注邊界輪廓特征，在保證模型訓練過程穩定的情況下，解決數據類別不均衡的問題并使得訓練結果更加精確，在一定程度上，減少了對訓練數據數量的需求。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種心臟核磁共振圖像中心室心肌分割模型訓練方法、分割方法及裝置。

背景技術

深度學習于近幾年在計算機視覺的各子領域內取得了突破性的發展。其通過模擬人類大腦區域的神經元，來學習人類視覺系統處理外來信息，自動提取圖像的多級特征并將圖像映射到高級抽象特征空間中，以實現指定的任務。由于其出色的圖像特征提取能力，在醫學影像分割領域也有了大量相關研究。本質上來說，醫學影像診斷是一個計算機視覺的問題，但是由于醫學影像處理過程中的特殊條件和醫療分析的特殊需求，即使成熟的計算機視覺技術照搬過來也會遇到很多問題。

深度學習是一種數據驅動的算法模式，需要依賴大量的數據對模型進行預訓練，但是在醫療場景下卻存在嚴重缺乏的訓練數據的問題。例如在心臟核磁共振圖像中心室心肌分割問題中，醫學影像中心室心肌的標注工作需要專業的醫生操作，而一個專業醫生的培養周期一般在十年以上。即使是專業的醫生，受到他們經驗和主觀認識的不一致，常常在標注標準上也有偏差，且標注圖像的時間開銷極大。其次，雖然與某一家醫院捆綁開發某一個場景的算法能夠得到比較理想的結果，但是如果把該方案部署到其他醫院，往往會發生算法跨中心泛化能力差的問題，這會導致結果的準確率相差很大。由于所有的診斷建議都會對病人的健康造成直接影響，所以醫療場景的嚴謹性要求了算法必需具備相當高的可靠性和準確性。因此，亟需一種圖像分割模型，能夠在訓練數據較少的條件下獲得可靠的心室心肌分割精度。

發明內容

本發明實施例提供了一種心臟核磁共振圖像中心室心肌分割模型訓練方法、分割方法及裝置，以消除或改善現有技術中存在的一個或更多個缺陷，解決醫學圖像缺乏樣本導致的模型精度低泛化能力差的問題。

本發明的技術方案如下：

一方面，本發明提供一種心臟核磁共振圖像中心室心肌分割模型訓練方法，包括：

獲取多個心臟核磁共振影像，對各心臟核磁共振影像進行預處理，所述預處理包括對比度受限自適應直方圖均衡化和高斯模糊；

獲取各心臟核磁共振影像中標注有心室心肌的輪廓作為標簽，以及預處理后的各心臟核磁共振影像，構成訓練樣本集；

獲取預設神經網絡模型，所述預設神經網絡模型采用設定數量的源域樣本數據進行預訓練；

采用所述訓練樣本集對所述預設神經網絡模型進行訓練，并采用交叉熵函數、Dice損失和邊緣損失的混合損失函數對所述預設神經網絡模型進行迭代更新，得到目標分割模型。

在一些實施例中，所述預設神經網絡模型為U-Net模型。

在一些實施例中，所述U-Net模型的下采樣路徑包括連續的第一下采樣層、第二下采樣層、第三下采樣層和第四下采樣層；所述U-Net模型的上采樣路徑包括連續的第一上采樣層、第二上采樣層、第三上采樣層和第四上采樣層；所述下采樣路徑和所述上采樣路徑之間由瓶頸層連接；所述第一下采樣層跳躍連接所述第四上采樣層，所述第二下采樣層跳躍連接所述第三上采樣層，所述第三下采樣層跳躍連接所述第二上采樣層，所述第四下采樣層跳躍連接所述第一上采樣層。