基于全卷积神经网络的心脏MR图像左心室分割及其后处理研究

发布时间：2021-01-15 05:40

　　随着医学影像技术的发展,基于心脏MR（Magnetic Resonance,MR）图像左心室分割的心脏功能参数估算,对于诊断和治疗相关疾病有着重大的意义。传统的左心室分割方法存在分割准确率低或无法实现全自动分割等缺点,随着深度学习的发展,特别是全卷积神经网络在医学图像分割上的应用,心脏MR图像左心室分割的准确率也得到了大幅度的提高,并且实现了全自动分割。本文研究了基于全卷积神经网络的心脏MR图像左心室分割方法,并且针对全卷积神经网络分割结果的缺陷,提出了其快速后处理方法,论文的主要工作如下:（1）研究并分析了U-net网络在心脏MR图像左心室分割上的表现。介绍了U-net网络的结构和特点,尝试在U-net网络中加入批量归一化算法并采用基于Dice系数的损失函数对U-net网络进行训练。随后介绍了公开的左心室分割数据集Sunnybrook数据集,将该数据集随机分为训练集、验证集和测试集作为本文的训练和测试数据。在实验结果中,U-net网络在测试集取得了0.892的Dice系数、0.893的召回率和0.921的准确率。（2）针对U-net网络在心脏MR图像左心室分割当中存在的不足,研究了改... 

【文章来源】：南京邮电大学江苏省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

心脏结构图

器官也包含在心脏MR图像当中，且灰度值也较为接近，在舒张和收缩过程中可能与背景元素部分重合，难以标记，只能通过心室运动的动态电影对心室内膜边缘进行判断，人可以通过辅助手段进行内膜标记检测，然而机器很有可能产生误判，这种误差一般较大。（2）处在不同层面的左心室在标记和自动分割时目标区域的特征和复杂度不同，因此将多层图像放在一起训练很容易将各层切片之间特征混淆。（3）目标对象即左心室的像素数量与背景像素数量极度不平衡。左心室所占像素大约只为整个图像像素的5.1%，在靠近心尖位置的心室则更校图1.2心脏MR示意图到目前为止，左心室分割的方法通常可以归纳为传统方法和深度学习方法。传统方法包括：阈值分割法[13]、聚类分析法[14]、区域生长法[15]、图割算法[16]和水平集分割法[17]。下面将具体介绍上述算法。（1）阈值分割法：阈值分割法的原理是按照某个固定或动态调整的灰度值将图像分成不同的区域，阈值的设定对分割效果有很大的影响，并且当图像中的噪声与目标区域灰度值接近时，又需要其他算法的协助。（2）聚类分析法：聚类分析法按照设计的相似度匹配规则将像素点归为左心室区域和非左心室区域，但需要人为的指定聚类个数、迭代次数和偏差阈值。（3）区域生长法：区域生长法需要人工标记初始的起点，起点附近的像素点按照生长规则对外进行扩张，直到没有像素点可以扩张为止。该方法对存在噪声的区域分割效果较差，不适合噪声较多的心室分割。（4）水平集分割法：水平集方法利用求解偏微分方程巧妙的解决平面闭合曲线的演化问题，对方程进行迭代求解，最后得到目标轮廓。水平集方法需要在曲线演化前，提供初始轮廓线，并且对图像边缘有较高的依赖。左心室右心室非心脏区域

论文的结构安排


本文编号：2978342