论文部分内容阅读
心脏MRI是评估心血管系统功能和结构常用的手段,心脏分割是计算心脏临床指标(射血分数、左右心室体积、每搏量等)的重要一步。目前,医生需要对每个患者的每张切片进行手动分割,但是手动分割既费时又是简单重复的体力劳动,且依赖于医生的经验。由于心脏的形状各异,病理特征千差万别,基于传统图像分割方法如像素分类、随机树等方法分割准确度低且适用范围有限;现有的基于深度学习的方法大多数只分割的是左心室或右心室,而同时分割左右心室的方法分割精度还有待提高。因此心脏MRI分割仍然是医学图像处理领域的研究难点和重点。本文所用的数据库为MICCAI 2017的ACDC数据库,一共包括150个病例,按病理分为五类,分别是扩张型心肌病、肥厚型心肌病、伴有梗塞心力衰竭、右心室异常以及正常人。在本文工作中,首先提出了基于YOLO的心脏目标检测网络,并根据MRI不同切片之间的连续性对边界框进行校正;其次,提出了一种基于全卷积网络(Fully Convolutional Network,FCN)的心脏MRI双心室自动分割方法,同时对左心室腔、左心室心肌、右心室进行分割,全卷积网络可以充分利用医学图像像素间空间和结构信息,且可以将卷积网络中不同层级的信息相结合;最后,根据分割结果计算12个基于图像信息的特征,并结合患者个人信息的2个特征,分别使用XGBoost和全连接网络两种方法分别实现心脏病的分类,并比较两种方法的分类效果。基于YOLO的心脏目标检测的检测速度可以达到49帧/秒,平均精度(Average Precision,AP)为72.6;基于FCN的心脏MRI分割结果的灵敏度为0.891,特异性为0.976,Dice系数为0.889,Jaccard系数为0.964,Hausdorff距离为10.275 mm,结果表明该方法分割效果良好,且对于分割难度较大的基底切片,左心室腔、左心室心肌、右心室也可以很好地分割出来,左心室腔和左心室心肌的分割效果整体优于右心室;使用XGBoost方法的心脏病分类准确率是88%,该方法性能较稳定且运算速度快,而基于全连接方法的心脏病分类的准确率为90%,该方法原理简单。相比于单独的左心室或右心室分割,双心室分割更符合临床实际需求,基于深度学习的心脏双心室分割必将成为未来心脏影像研究热点之一。