[发明专利]基于多尺度特征金字塔的DCM心肌诊疗放射影像分割方法

说明书

本发明属于医学影像处理技术领域，公开了一种基于多尺度特征金字塔的DCM心肌诊疗放射影像分割方法,将心脏MRI图像进行分割，完整得分割出心肌和血池等医学解剖结构。本发明通过使用带孔卷积取代传统的卷积，这样的好处就是卷积核的感受野更大能够获取到更大的上下文信息；通过使用空间金字塔池化，可以在不同尺度上对图像进行信息提取，应对图像的多尺度特性，即使是很小的物体也能有效地捕捉；通过使用编码器和解码器结构可以恢复细节信息，将浅层的特征和高层的特征进行融合，得到语义丰富且细节完整的分割掩膜；本发明减轻了医生的工作负担，对病情分析还有后续的治疗计划和术后评估都有重大的意义。

技术领域

本发明属于医学影像处理技术领域，尤其涉及一种基于多尺度特征金字塔的DCM心肌诊疗放射影像分割方法。

背景技术

目前，业内常用的现有技术是这样的：

图像的语义分割(Semantic Image Segmentation)是人工智能和计算机视觉领域的重要研究主题。该研究旨在利用算法自动或半自动地将图像中不同物体所在的区域进行精细的、像素级的区分。

图像语义分割就要将区分图中的摩托车和人，得到右边摩托车的绿色和人的红色分割掩膜。该研究要求算法产生与原始图像相同大小的分割掩膜，掩膜中使用不同的值对原始图像中不同类别的物体进行像素语义标注，同时保留物体的精细的边缘细节。图像语义分割的难点在于要对图像中不同物体进行语义分类，因为物体存在着不同的纹理、颜色、尺寸等特性，要区分不同物体的同时还要求物体与物体之间的边缘清晰，细节保留完整。

传统的机器学习算法从简单的阈值法，到基于像素聚类的分割法，再到图划分的分割方法，效果都不太如人意。现在深度学习的浪潮，特别是卷积神经网络的飞速发展，各种基于深度卷积的分割方法百花齐放。在各种图像视觉学习任务中取得了优秀的成果，卷积神经网络能够有效提取图像的深层特征，相对于传统的方法，深度学习在方法应用和结果上有着优异的表现

同时随着生活环境、生活习惯、饮食习惯的变化，肿瘤及其他重大疾病的发病率及死亡率，均呈现上升的趋势，已对人类健康构成了巨大威胁。其中扩张性心肌病(dilatedcardiomyopathy，DCM)是一种严重的心脏疾病，特征为左或右心室或双侧心室扩大，并伴有心室收缩功能减退，伴或不伴充血性心力衰竭。室性或房性心律失常多见。病情呈进行性加重，死亡可发生于疾病的任何阶段。严重威胁着人们的生命健康。

在恶性肿瘤的治疗中，需要医生对患者的医学影像进行手工标注，勾画出肿瘤的区域，以便进行前期的治疗方案的制定，癌症特征分析和后期治疗效果的评估。对于DCM的诊疗，医生需要根据医学放射影像，一般是CT或者MRI，根据心肌内外膜之间的距离和其他指标来判断是否患病。如图心肌放射医学影像中显示的绿色和黄色锚点来测定相关指标，如平均Hounsfield单位值，面积等。

这一过程需要医生手动勾画出心肌内外膜，这项工作重复且耗时，而且由于不同医生的经验不同和个人因素导致了标注准确度的不一致，这就亟待发明一种全自动、稳定、精确的端到端医学图像分割系统。

随着社会的发展，自动化实现任务要求越来越多，且该类自动化任务也非常依赖计算机视觉，特别是图像语义分割的实现。如汽车的自动驾驶中，对障碍物、行人、道路标识等等的识别与标记；无人机着陆时对环境物体、地面物体的识别与标记；医疗领域对身体器官组织或恶性肿瘤的标定等等，所以说图像的语义分割在生活、工业、医疗、军事上有着举足轻重的作用。

图像的语义分割技术是指给定一张图片，使用计算机算法自动区分图像中的不同“语义”的物体，输出一个和原图同样大小分辨率的分割掩膜。图像语义分割算法从简单的阈值分割法，到边缘检测法，再到现在基于卷积神经网络的各种方法，分割效果是越来越好。

综上所述，现有技术存在的问题是：