论文部分内容阅读
近几年,心血管疾病逐渐成为高发疾病,是非传染性疾病导致死亡的首位病因。心肌分割图像对心血管疾病的临床诊断有着重要的辅助作用,高精度的全心肌分割图像可以很大程度的提高诊断速度,但是通过CMR图像获得全心肌的分割图像需要专业医生花费大量的时间和精力来进行标注,因此,利用先进的算法实现自动的全心肌分割并且具有很高的分割精度有着重要的研究意义。传统的图像分割算法大多需要人工的参与,不能自动完成。同时,传统图像分割方法很难在心肌分割上取得良好的分割精度,全心肌的分割有很多难点,例如,心肌组织与周围环境边界不明显;右心肌的形状不规则等,这都为全心肌分割带来了挑战。目前深度学习在计算机视觉和图像处理方面都取得了优异的表现,逐渐成为医学图像处理领域的主流方法。针对已有的心肌分割算法存在的问题,本论文提出了基于深度学习的全心肌自动分割算法。论文的主要贡献如下:一、本文提出了一种基于扩张卷积的端到端的全心肌自动分割算法DDenseNet。该算法在不加深网络的同时可快速扩大感受野,从而保留了更多图像细节,基于Kaggle心脏数据集的实验结果表明,该模型在保证小体积(0.78M)的同时,达到了 87.27%的戴斯相关性系数。二、通过分析当前最流行的医学图像分割算法U-Net模型,我们发现该模型在输入图像大小为256×256时网络的最深处感受野只有68,无法学习到整张图像的空间信息。针对此问题,我们提出了 RDU-Net模型,该模型通过减少下采样模块和加入扩张卷积,在不增加网络参数的同时扩大了感受野,同时利用残差机制获得更多的图像特征。基于Kaggle心脏测试数据集的实验结果表明,其戴斯相关性系数达到了 90.61%,比U-Net提高8%。这两种模型均可扩展至其他组织的影像分割中,如肺结节分割,肺轮廓分割等,具有潜在的临床应用价值。