[發明專利]一種基于深度學習的3D心室核磁共振視頻分割優化系統

在審

• 申請號: 202210035567.7
• 申請日: 2022-01-13
• 公開（公告）號: CN114359310A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 董舜杰;潘子宣;卓成;付鈺
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜

本發明公開了一種基于深度學習的3D心室核磁共振視頻分割優化系統，該系統通過深度時空可變形卷積融合模塊TDAM獲取MRI視頻段中高維圖像特征；利用增強可變形卷積注意力網絡TDAM得到的高維圖像特征中時空信息，將不同尺度的特征圖融合后輸出帶有多尺度信息的特征圖；通過概率噪聲校正模塊PNCM得到高維圖像特征的分布，輸出包含分布均值和方差信息的嵌入向量；EDAN輸出的特征圖與PNCM輸出的嵌入向量擴展后進行拼接卷積得到預測結果。利用訓練好的網絡模型對新輸入的3D心室MRI視頻直接進行分割，通過引入多幀圖像補償、可變形卷積以及多尺度注意力機制，能有效地提高心室分割的準確度和效率，并具有較高的魯棒性。

技術領域

本發明涉及醫療影像工程技術領域，特別涉及一種基于深度學習的3D心室核磁共振視頻分割優化系統。

背景技術

隨著醫學成像技術和人工智能的發展，計算機輔助診斷中自動和半自動系統正逐漸代替傳統的人工診斷系統，以進行精準診斷和治療。目前核磁共振成像(MRI)憑借其無放射性損害和高分辨率的特點，在心室診斷中被廣泛應用。為了對病患的心室情況有更好的了解，需要用精確的分割系統來正確分割心室各個部分的位置，然而，通過對三維MRI圖像的視覺評估來進行常規的臨床操作十分耗時，并且取決于醫生的臨床經驗。因此，尋找一種提高心室各部分診斷的準確性和效率的系統至關重要。

現有的技術面臨的挑戰主要有：1.心臟內的復雜運動和血液流動會造成成像數據包含大量運動偽影、強度不均勻和噪聲，然而，檢測系統會忽略細微變化，從而導致檢測靈敏度降低。2.現有的算法大多僅適用于處理二維自然圖像，而MRI圖像是一個由平行掃描圖像幀組成的三維結構，因此二維定位算法會忽略重要的幀間信息。3.當心臟處于不同的狀態時，其形狀會有很大差異。對于患有心臟病的病人而言，這種形變尤為明顯。病人的心室會隨著呼吸的變化而產生劇烈的形變，導致相同屬性的區域會產生極大的形變，尤其是包裹左心室的心肌部分和右心室部分，會對分割系統產生極大的干擾和挑戰。4.由于醫學圖像數據量少，缺乏高質量的標注數據和訓練樣本，因此訓練后的模型容易泛化能力弱，出現過擬合的問題。

綜上，提供一種基于深度學習的3D心室核磁共振視頻分割優化系統，利用MRI視頻圖像幀內和幀間的連續性信息，以提高心室分割的準確度和效率，成為目前亟待解決的重要技術問題。

發明內容

本發明的目的在于針對目前醫學圖像心室分割現有技術的不足，提供了一種基于深度學習的3D心室核磁共振視頻分割優化系統，用于自動分割心室各部分的位置，定位結果準確率高，模型具有較高的魯棒性。

本發明的目的是通過以下技術方案來實現的：一種基于深度學習的3D心室核磁共振視頻分割優化系統，該系統包括3D心室核磁共振MRI視頻數據預處理模塊、可變形卷積的深度注意力網絡DeU-Net和圖像檢測模塊；

所述3D心室核磁共振MRI視頻數據預處理模塊對現有的3D心室MRI視頻數據集中各幀MRI圖像做歸一化處理；輸入到可變形卷積的深度注意力網絡DeU-Net；

所述可變形卷積的深度注意力網絡DeU-Net包括深度時空可變形卷積融合模塊TDAM，增強可變形卷積注意力網絡EDAN和概率噪聲校正模塊PNCM：

所述深度時空可變形卷積融合模塊TDAM：該模塊包含一個U-Net網絡和一個可變形卷積層；U-Net網絡以3D心室MRI視頻數據集作為輸入，輸出為MRI視頻段中圖像的高維特征補償區域，可變形卷積層以3D心室MRI視頻數據集和高維特征補償區域為輸入，得到補償后的圖像的高維特征；

所述增強可變形卷積注意力網絡EDAN：該模塊包含一個下采樣通道和一個上采樣通道。EDAN以TDAM輸出的圖像的高維特征作為輸入，經過L層下采樣得到特征經過卷積得到上采樣通道中第L層的原始特征與拼接后得到和共同輸入到DeConv(a)模塊，所述DeConv(a)模塊通過可變形卷積得到偏移Δ_L和融合后的第L層特征具體計算為：