[发明专利]一种基于深度学习的3D心室核磁共振视频分割系统

说明书

本发明公开了一种基于深度学习的3D心室核磁共振视频分割系统，该系统包括：MRI数据预处理模块；基于可变形卷积的深度注意力网络：深度时空可变形卷积融合模块TDAM，将时间轴上连续的3D心室MRI视频切片图像输入网络，以获取MRI视频段中高维图像的补偿区域，利用可变形卷积层得到高维图像特征；深度可变形卷积全局注意力模块DGPA，构建可变形卷积注意力模块得到有注意力的特征图，并使用加和注意力模块来抑制不相关的背景，最终得到网络模型。利用训练好的网络模型对新输入的3D心室MRI视频直接进行分割，该系统通过引入多帧图像补偿、可变形卷积以及加和注意力机制，能有效地提高心室分割的准确度和效率，并具有较高的鲁棒性。

技术领域

本发明涉及医疗影像工程技术领域，特别涉及一种基于深度学习的3D心室核磁共振视频分割系统。

背景技术

随着医学成像技术和人工智能的发展，计算机辅助诊断中自动和半自动系统正逐渐代替传统的人工诊断系统，以进行精准诊断和治疗。目前核磁共振成像(MRI)凭借其无放射性损害和高分辨率的特点，在心室诊断中被广泛应用。为了对病患的心室情况有更好的了解，需要用精确的分割系统来正确分割心室各个部分的位置，然而，通过对三维MRI图像的视觉评估来进行常规的临床操作十分耗时，并且取决于医生的临床经验。因此，寻找一种提高心室各部分诊断的准确性和效率的系统至关重要。

现有的技术面临的挑战主要有：1.核磁共振成像对病人的身体移动非常敏感，易产生伪影，然而，检测系统会忽略细微变化，从而导致检测灵敏度降低。2.现有的算法大多仅适用于处理二维自然图像，而MRI图像是一个由平行扫描图像帧组成的三维结构，因此二维定位算法会忽略重要的帧间信息。3.病人的心室会随着呼吸的变化而产生剧烈的形变，导致相同属性的区域会产生极大的形变，尤其是包裹左心室的心肌部分和右心室部分，会对分割系统产生极大的干扰和挑战。4.由于医学图像数据量少，缺少高质量的标注数据和训练样本，因此训练出来的模型可能是过拟合或者模型泛化能力不高。

综上，提供一种基于深度学习的3D心室核磁共振视频分割系统，利用MRI视频图像帧内和帧间的连续性信息，以提高心室分割的准确度和效率，成为目前亟待解决的重要技术问题。

发明内容

本发明的目的在于针对目前医学图像心室分割现有技术的不足，提供了一种基于深度学习的3D心室核磁共振视频分割系统，用于自动分割心室各部分的位置，定位结果准确率高，模型具有较高的鲁棒性。

本发明的目的是通过以下技术方案来实现的：一种基于深度学习的3D心室核磁共振视频分割系统，其特征在于，该系统包括3D心室核磁共振MRI视频数据预处理模块、可变形卷积的深度注意力网络Deformable U-Net(DeU-Net)和图像检测模块；

所述3D心室核磁共振MRI视频数据预处理模块包括数据增强模块和数据划分模块：

所述数据增强模块：将现有的3D心室MRI视频数据集拆分成各帧MRI图像，扩充数据集并对图像大小做归一化处理；

所述数据划分模块：对增强后的图像数据分为训练集和测试集；所述训练集和测试集中均包含有完整的3D心室MRI图像，所述训练集用于可变形卷积的深度注意力网络Deformable U-Net进行训练；

所述可变形卷积的深度注意力网络Deformable U-Net包括深度时空可变形卷积融合模块TDAM和深度可变形卷积全局注意力模块DGPA：

所述深度时空可变形卷积融合模块TDAM：该模块包含一个U-Net网络和一个可变形卷积层；TDAM将时间轴上连续的3D心室MRI视频各帧图像输入U-Net网络，输出为MRI视频段中图像的高维特征补偿区域offset field，将其连同输入图像传入到可变形卷积层，计算得到补偿后的图像的高维特征fused feature maps，即包含了前后帧信息的融合特征；