基于深度学习的心脏核磁共振图像分割方法的研究

发布时间：2020-10-31 03:52

　　 根据世界卫生组织报道,心血管疾病(Cardiovascular Diseases,CVDs)成为了威胁人类健康的主要疾病之一。针对心血管疾病的提前诊断与治疗成为了全球的研究热点问题。由于心脏MR图像具有无创性、对比度高等优点,因此被广泛应用于心血管疾病的早期诊断与治疗中。临床医生依据心脏MR图像分割结果可以获取重要的心脏功能参数。然而在现实医疗中,分割通常由有经验的医生手动完成的。手动分割不仅耗时耗力而且具有很大的主观性,所以高效准确的心脏MR图像自动分割方法的研究具有重要意义。本文以心脏短轴核磁共振图像为基础,在分析了传统算法用于心脏MR图像分割局限性的基础上,分别提出了两种基于深度学习的改进方法。主要工作展开如下:1、在传统图像分割算法中,依次使用阈值分割算法,区域生长算法,K-means聚类算法,完成心脏MR图像的分割任务。根据实验结果分析了传统算法在心脏MR图像分割任务上的局限性,传统分割方法在心脏MR图像分割时容易出现过分割、欠分割现象,而且分割结果准确性较低。2、基于深度学习U-Net网络,本文提出了一种改进的自动分割左心室内膜和外膜的网络框架,该框架使用与U-Net类似的全卷积神经网络结构,能够自动的从心脏MR图像中分割出左心室内膜和外膜。为了克服类的不平衡问题,本文提出了一个改进的损失函数,来替代传统的交叉熵损失函数,传统的损失函数容易导致模型出现学习偏差。改进的损失函数在提高了模型的整体精度地同时也减小了交叉熵造成的学习偏差。改进的方法与传统的方法相比,获得了很好的分割精度。3、在心脏MR图像分割任务中,本文以Dense U-Net作为基础网络结构。为了减少网络参数计算和内存占用并且不影响输出的分割质量,本文改变了Dense U-Net网络中的跳层结构,从下采样路径到上采样路径的跳跃连接采用元素级加法操作替代直接的特征拼接,并通过投影操作匹配特征通道的维度。在Dense U-Net上采样路径中,通过引入残差网络的短路连接方式来更好地利用浅层网络中的信息。除此以外,在网络的初始层加入修正的Inception结构来替代3×3的卷积操作扩大了模型的感受野。最后,形成了改进的网络。通过实验对比分析发现,改进的网络提高了分割精度,并在Dice指数和APD两个指标上达到了良好效果。
【学位单位】：兰州理工大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP18;TP391.41;R445.2;R54
【部分图文】：

基于深度学习的心脏核磁共振图像分割方法的研究(a)人体心脏解剖结构示意图(b)人体心脏解剖结构示意图图2.1心脏相关知识图2.2从心基到心尖的12张CMR切片2.2深度学习与图像处理2.2.1深度学习在图像处理中的发展近年来人工智能成为了研究的热点，而深度学习便是通向人工智能的途径之一。如图2.3所示为深度学习与各学科之间的包含关系图。人工智能的范畴十分宽广，它包含了机器学习、表示学习和深度学习。而深度学习属于机器学习的一种，深度学习具有强大的表示能力和灵活性，它能够从一般抽象概括到高级抽象，从简单概念之间的联系定义复杂的概念。深度学习的历史可以追溯到20世纪40年代。到如今，深度学习经历了三次发展。第一次发展始于20世纪40年代到60年代，当时控制论中出现了深度学习的雏形。随着生物学习理论的发展和第一个模型感知机的出现，单个神经元的训练得以实现。深度学习的第二次发展始于20世纪80年代的联结主义方法，可以使用反向传播算法训练具有少数隐藏层的神经网络。当前正处于深度学习的第三次发展浪潮，2006年一种名为“深度信念网络”的神经网络可以使用“贪婪逐层预训练”的策略有效的训练神经网络。后又有学者表明，同样的策略可以被用于训练许多其它类型的深度网络，并能够提高网络在测试样例上的泛化能力。8

基于深度学习的心脏核磁共振图像分割方法的研究(a)人体心脏解剖结构示意图(b)人体心脏解剖结构示意图图2.1心脏相关知识图2.2从心基到心尖的12张CMR切片2.2深度学习与图像处理2.2.1深度学习在图像处理中的发展近年来人工智能成为了研究的热点，而深度学习便是通向人工智能的途径之一。如图2.3所示为深度学习与各学科之间的包含关系图。人工智能的范畴十分宽广，它包含了机器学习、表示学习和深度学习。而深度学习属于机器学习的一种，深度学习具有强大的表示能力和灵活性，它能够从一般抽象概括到高级抽象，从简单概念之间的联系定义复杂的概念。深度学习的历史可以追溯到20世纪40年代。到如今，深度学习经历了三次发展。第一次发展始于20世纪40年代到60年代，当时控制论中出现了深度学习的雏形。随着生物学习理论的发展和第一个模型感知机的出现，单个神经元的训练得以实现。深度学习的第二次发展始于20世纪80年代的联结主义方法，可以使用反向传播算法训练具有少数隐藏层的神经网络。当前正处于深度学习的第三次发展浪潮，2006年一种名为“深度信念网络”的神经网络可以使用“贪婪逐层预训练”的策略有效的训练神经网络。后又有学者表明，同样的策略可以被用于训练许多其它类型的深度网络，并能够提高网络在测试样例上的泛化能力。8

基于深度学习的心脏核磁共振图像分割方法的研究性可分问题。但是感知机的学习能力是非常有限的，比如感知机不能解决像异或这样的非线性可分问题，而现实中问题大多都是非线性可分的。因此，要想解决非线性可分问题，则需要考虑使用更加复杂的多层神经网络结构。图2.5多层神经网络结构示意图如图2.5所示为多层神经网络结构示意图，网络由输入层，隐层和输出层组成。相邻网络层中的神经元之间采用密集连接方式，同层的神经元之间不连接，不同网络层之间不存在跨越连接，通常将这样的网络称为“多层前馈神经网络”。多层网络的计算如公式(2-2)所示（忽略偏置）。()(1)(2)(1)...LLLkkllmklilmlyfWfWffWx=∑∑∑(2-2)传统多层神经网络的输入是一维矢量形式，而在实际任务中数据往往是二维或者多维的形式，例如数字图像就可以被看作是由像素构成的二维网格状数据。虽然二维数据可以转换为一维数据后再输入到神经网络中，但是数据的转换过程通常会破坏像素之间重要的空间结构信息。为了解决以上问题，另一种网络结构-卷积神经网络被提出。2.2.3卷积神经网络的在图像处理中的应用卷积神经网络也叫做卷积网络，它非常适用于处理具有类似网格状结构的数据，如图像和时间序列等。卷积网络中使用了卷积这种数学运算来替代矩阵乘法运算，卷积是一种特殊的线性运算。卷积神经网络在图像处理领域得到了非常广泛的应用。其基本组成结构有卷积层，池化层和全连接层。经典的卷积神经网络是由YannLeCun教授在1989年提出LeNet[53]，如图2.6所示，该网络结构也是最早出现的卷积神经网络。图2.6LeNet网络结构LetNet由7层网络组成(不包括输入层)，包括3个卷积层，2个下采样层，1个全连10
【相似文献】

相关期刊论文 前10条

1 乜大伟;;心脏核磁共振图像中左心室的分割算法研究[J];硅谷;2012年13期

2 尤建洁;王平安;夏德深;;利用纹理信息的带标记线心脏核磁共振图像分割[J];中国图象图形学报;2007年09期

3 魏蕊;董秀珍;;儿童脑部三维核磁共振图像的分割[J];医疗卫生装备;2009年01期

4 郭姿鹬;;一种优化的核磁共振图像重建方法[J];电脑知识与技术;2020年04期

5 李奇;;英国华人脑部寄生虫潜伏4年[J];科学大观园;2015年02期

6 刘兆;沈辉;高政;胡德文;;一种基于区域相关性的三维核磁共振图像快速分割方法[J];计算机工程与科学;2008年07期

7 栾永万;;核磁共振图像的质量[J];中国医疗器械杂志;1988年06期

8 黄钦钦;;稀疏编码在静息态核磁共振图像中的应用[J];信息化研究;2012年02期

9 黄敏;管智慧;周到;陈军波;;基于K空间数据的深度核磁共振图像重建[J];生物医学工程研究;2020年02期

10 刘利雄;马忠梅;赵恒博;姚宇华;张麒;;一种基于主动轮廓模型的心脏核磁共振图像分割方法[J];计算机学报;2012年01期

相关博士学位论文 前10条

1 尤建洁;基于心脏核磁共振图像的左心室分割及动力学模型研究[D];南京理工大学;2007年

2 徐征;心脏状态信息多参数研究[D];浙江大学;2001年

3 张力锋;跳动心脏的计算机仿真及其分布式软件架构的设计[D];浙江大学;2001年

4 马宏;热休克因子1参与粒细胞集落刺激因子对心脏缺血再灌注保护作用的机制研究[D];复旦大学;2010年

5 宋鹏;一、不同心脏状态下心梗边缘区注射骨髓间充质干细胞的比较 二、体外循环和停跳的心脏状态对于经冠状动脉内移植骨髓间充质干细胞的影响[D];中国协和医科大学;2008年

6 邓冬东;虚拟心脏正常电生理的仿真及房颤的研究[D];浙江大学;2012年

7 张宇;虚拟心脏解剖及电生理数学建模[D];浙江大学;2009年

8 朱文忠;离体鼠工作心脏灌注模型中腺苷对缺血再灌注心脏能量底物代谢的影响[D];第二军医大学;2001年

9 段先华;核磁共振图像分割与运动分析若干技术研究[D];南京理工大学;2005年

10 张宇祯;心脏细胞疗法：致瘤性评估与旁分泌机制探索[D];南京医科大学;2012年

相关硕士学位论文 前10条

1 刘祥远;基于深度学习的心脏核磁共振图像分割方法的研究[D];兰州理工大学;2020年

2 赵恒博;基于主动轮廓模型的心脏核磁共振图像左心室分割方法研究[D];北京理工大学;2011年

3 王小杰;基于图割算法的心脏核磁共振图像分割[D];北京理工大学;2010年

4 郝世杰;脊椎核磁共振图像分割与定量分析及其三维可视化研究[D];合肥工业大学;2009年

5 魏蕊;儿童脑部三维核磁共振图像的分割[D];第四军医大学;2009年

6 阮思纯;人脑核磁共振图像的快速分割及校正模型研究[D];哈尔滨工业大学;2018年

7 尹航;基于深度学习的心室核磁共振图像分割研究与应用[D];兰州大学;2019年

8 李帅;脊柱核磁共振图像的分割算法研究与实现[D];武汉理工大学;2017年

9 张红雨;基于压缩感知理论的核磁共振图像重建算法研究[D];天津大学;2017年

10 奚昌凤;基于稀疏与低秩的动态核磁共振图像重建[D];中国科学技术大学;2017年

本文编号：2863408