[发明专利]心房间隔闭塞患者心脏医学影像分割方法及系统

权利要求书

1.一种心房间隔闭塞患者心脏医学影像分割方法，其特征在于，该方法包括如下步骤：

a.采集心房间隔闭塞患者心脏MRI数据集，利用光谱分析方法处理该MRI数据集；

b.将由光谱分析方法处理过的MRI数据集进行数据增强，并将数据增强后的MRI数据集进行二元分类的分割，得到被正确划分的MRI数据集；

c.对被正确划分的MRI训练数据集，采用迁移学习方法微调卷积神经网络模型，以提取对后续医学影像分割有用的特征；

d.利用提取的对医学影像分割有用的特征设计U-Net架构，并利用U-Net架构完成端到端的像素到像素的医学影像分割。

2.如权利要求1所述的方法，其特征在于，所述的步骤b具体包括：

采用数据增强的方法对MRI数据集进行数据增强，水平和垂直滑动，随机裁切，增加颜色抖动和高斯噪声；

对数据增强后的MRI数据集进行分割，将分割视为二元分类，即0和1，1代表被正确地划分，0代表被错误地划分。

3.如权利要求2所述的方法，其特征在于，所述的步骤c具体包括：

利用迁移学习方法选用深度学习卷积神经网络VGG 16的预训练模型作为U-Net网络的编码器；

利用深度学习卷积神经网络VGG 16的预训练模型对ImageNet权值进行初始化；

采用微调的方法修改深度学习卷积神经网络VGG 16预训练模型最后一层的输出类别，并且加快最后一层的参数学习速率；调整Solver的配置参数。

4.如权利要求3所述的方法，其特征在于，所述的步骤d具体包括如下步骤：

U-Net架构的左半部分是编码器部分，所述编码器捕获上下文的收缩路径，进行特征提取；

U-Net架构的右半部分是解码器部分，所述解码器进行精确定位对称扩展路径；

利用U-Net架构的编码器部分和解码器部分对医学影像进行分割并得到分割结果。

5.如权利要求4所述的方法，其特征在于，所述的分割结果包括：

True positives：被正确地划分为正例的个数；

False positives：被错误地划分为正例的个数；

False negatives：被错误地划分为负例的个数；

True negatives：被正确地划分为负例的个数。

6.一种心房间隔闭塞患者心脏医学影像分割系统，其特征在于，该系统包括采集模块、数据集划分模块、微调模块以及影像分割模块，其中：

所述采集模块用于采集心房间隔闭塞患者心脏MRI数据集，利用光谱分析方法处理该MRI数据集；

所述数据集划分模块用于将由光谱分析方法处理过的MRI数据集进行数据增强，并将数据增强后的MRI数据集进行二元分类的分割，得到被正确划分的MRI数据集；

所述微调模块根据对被正确划分的MRI训练数据集，采用迁移学习方法微调卷积神经网络模型，以提取对后续医学影像分割有用的特征；

所述影像分割模块用于利用提取的对医学影像分割有用的特征设计U-Net架构，并利用U-Net架构完成端到端的像素到像素的医学影像分割。

7.如权利要求6所述的系统，其特征在于，所述的数据集划分模块具体用于：

采用数据增强的方法对MRI数据集进行数据增强，水平和垂直滑动，随机裁切，增加颜色抖动和高斯噪声；

对数据增强后的MRI数据集进行分割，将分割视为二元分类，即0和1，1代表被正确地划分，0代表被错误地划分。

8.如权利要求7所述的系统，其特征在于，所述的微调模块具体用于：

利用迁移学习方法选用深度学习卷积神经网络VGG 16的预训练模型作为U-Net网络的编码器；

利用深度学习卷积神经网络VGG 16的预训练模型对ImageNet权值进行初始化；

采用微调的方法修改深度学习卷积神经网络VGG 16预训练模型最后一层的输出类别，并且加快最后一层的参数学习速率；调整Solver的配置参数。