[发明专利]一种基于Attention的多尺度扩张性心肌的分割分类方法

说明书

本发明涉及一种基于Attention的多尺度扩张性心肌的分割分类方法。包括以下步骤：收集若干例患扩张性心肌病的病例，采集其心肌部位MRI图像数据；对上一步骤收集的MRI图像数据的病变区域逐层进行人工边缘标注，作为标签数据；对上一步骤得到的标签数据进行标准化预处理并转成二维数据集；构建基于Attention的多层二维卷积神经网络，使用上一步骤中的二维数据集进行训练；对于待分割分类的心肌部位MRI图像数据，采集同部位同样模态的医学图像，对采集的图像进行标准化处理；通过训练得到的网络模型，对待分割分类的心肌部位MRI图像数据进行自动分割分类。本发明可以实现对于扩张性心肌区域的自动分割和分类，且与主流网络对比能取得较高的精度。

技术领域

本发明涉及图像分割领域中的扩张性心肌图像分割分类技术领域，具体的说是一种基于Attention的多尺度扩张性心肌的分割分类方法。

背景技术

扩张性心肌病(dilated cardiomyopathy，DCM)是一种原因未明的原发性疾病，是我国高发性心肌疾病之一。发病率非常高，DCM的年发病率5/100000～8/100000人，并有不断增高的趋势，男性多于女性(2.5∶1)，平均发病年龄约40岁。患者的临床表现轻重不一，许多有症状的患者其病情多为进行性恶化，有10％～15％患者在一年内出现心力衰竭症状。据估计典型伴有心力衰竭的患者人群，其年死亡率为11％～13％。与其他类型的心肌疾病相比，扩张性心肌病具有更复杂的解剖结构。扩张性心肌病在空间上与处理类似图像强度的几种组织(空气，骨骼，肌肉和粘膜)很相似，且扩张性心肌的形状和大小、以及非均匀心肌强度方面差异较大，因此，需要设计特定的分割方法。而且扩张性心肌的诊断具有局限性，临床医生需要借助医学专业知识手动查阅或标注扩张性心肌的边界。为了提高处理效率和扩张性心肌定位的准确性，临床医生通常借助计算机辅助工具来处理任务，因此采用计算机自动分割算法来辅助医生精准定位扩张性心肌成为一种必要需求。

近几年来，随着科学技术的发展，图像的大小和数量都在增加，这给传统的人工诊断带来极大的挑战，使得使用就计算机进行处理和分析变得十分必要。其中，医学图像分割技术是医学图像处理和分析中的关键技术。医学图像分割是按照某种特征(如灰度、纹理等特征)将图像分成一些有意义的区域。在这些区域内部，其特征往往是相同的或相似的，而相邻域彼此特征则不同，区域之间存在边界。从医学研究和临床应用的角度看，图像分割是对医学影响图像进行分析处理，从而把感兴趣的区域提取出来，并且使其尽可能地接近临床解剖的结果，这样能够为临床诊断以及病例分析提供可靠的依据。

最近，基于深度学习的自然图像分割技术被广泛研究与应用，这也促进了医学图像分割的发展。然而，由于自然图像和医学图像差异性较大，特别是在组织结构和形状大小方面与自然图像差异巨大，因此，直接把深度学习技术用于医学图像仍然是一个难题。近年来，大量文献提出了各种基于深度学习的图像算法用于有效解决不同的分割分类问题。