论文部分内容阅读
当今社会人们的工作压力大，再加上饮食不规律、缺乏运动等不良生活方式，使得心血管疾病频发。心脏超声作为医生诊断心脏疾病的重要手段，能够直观的显示病人的心脏解剖结构和症状。基于此研究背景，如何利用计算机快速准确的处理心脏超声成为一大研究热点。近年来，深度学习算法的突破与发展极大的推动了各研究领域的变革，如汽车无人驾驶、情感识别和人脸识别等。将深度学习算法应用到心脏超声影像中能够辅助医生进行诊断、给出治疗方案、计算医学参数等，有效的减少了医生的工作量，对计算机辅助诊断系统有重要的意义。据我们所知，将深度学习应用到超声心动图上的研究较少，且目前还没有科研工作将RetinaNet用于左心室定位或将LedNet等分割网络用于左心房分割。基于此背景，本文基于深度学习算法对心脏超声的形态进行分析，以辅助医生更好的诊断心脏疾病与给出后续的治疗方案。
本文在实验过程中主要遇到两个挑战:一是公开的带有完整标签的数据集很少，并且数据量很少;二是心脏超声影像大多数为灰度图像，灰度、纹理等特征较少，使用传统的方法得不到有效的分析。为了解决以上的问题，本文主要做了四个方面的贡献:
(1)创建了三个数据集。由于医学图像中含有大量病人信息，隐私性较强，因此，公开的带有完整标签的数据集较少。因此，本文针对研究任务的不同分别创建了相应的数据集。一是创建了心脏超声视图分类数据集，该数据集包含六个视图4837张图像;二是左心室定位数据集，包含完整左心室的心尖二腔室(apical two-chamber, A2C)、心尖三腔室(apical three-chamber, A3C)、心尖四腔室(apical four-chamber, A4C)三个视图3653张图像;三是左心房内外膜分割数据集，包含A2C、A3C、A4C三个视图1480张图像。数据集中所有图像均来自医院实地采集，对临床治疗更具意义。
(2)基于深度学习的心脏超声视图分类。在心脏超声视图分类数据集上，分别使用AlexNet、ResNet、VGG、DenseNet四种分类网络对六种心脏超声视图进行训练，之后对分类性能进行比较评估。实验结果表明，DenseNet取得了最好的效果，正确率可达99.90％。
(3)基于深度学习的左心室定位。基于创建的左心室定位数据集，通过RetinaNet进行左心室定位任务并得到最终的左心室定位结果图。用mIoU作为左心室定位效果的评价指标分别对A2C、A3C、A4C视图进行测试，其结果分别为85.83％、79.42％、83.87％。
(4)基于深度学习的左心房内外膜分割。基于创建的左心房内外膜数据集，利用FCN、DeepLab、LedNet、PSPNet、DANet、CGNet、DenseASPP、ENet、ESPNet这9种分割网络对左心房内外膜进行分割，针对不同的心脏视图，充分比较不同分割网络的效果和实验时间。从评价指标看，对于Hausdorff距离，A3C中ENet效果最好，结果为3.8939;对于ASD，A4C中ENet效果最好，结果为0.5491;对于Dice系数，A3C中LedNet效果最好，结果为0.8339;对于PixelAccuracy，A3C中LedNet效果最好，结果为0.9934。
本文在实验过程中主要遇到两个挑战:一是公开的带有完整标签的数据集很少，并且数据量很少;二是心脏超声影像大多数为灰度图像，灰度、纹理等特征较少，使用传统的方法得不到有效的分析。为了解决以上的问题，本文主要做了四个方面的贡献:
(1)创建了三个数据集。由于医学图像中含有大量病人信息，隐私性较强，因此，公开的带有完整标签的数据集较少。因此，本文针对研究任务的不同分别创建了相应的数据集。一是创建了心脏超声视图分类数据集，该数据集包含六个视图4837张图像;二是左心室定位数据集，包含完整左心室的心尖二腔室(apical two-chamber, A2C)、心尖三腔室(apical three-chamber, A3C)、心尖四腔室(apical four-chamber, A4C)三个视图3653张图像;三是左心房内外膜分割数据集，包含A2C、A3C、A4C三个视图1480张图像。数据集中所有图像均来自医院实地采集，对临床治疗更具意义。
(2)基于深度学习的心脏超声视图分类。在心脏超声视图分类数据集上，分别使用AlexNet、ResNet、VGG、DenseNet四种分类网络对六种心脏超声视图进行训练，之后对分类性能进行比较评估。实验结果表明，DenseNet取得了最好的效果，正确率可达99.90％。
(3)基于深度学习的左心室定位。基于创建的左心室定位数据集，通过RetinaNet进行左心室定位任务并得到最终的左心室定位结果图。用mIoU作为左心室定位效果的评价指标分别对A2C、A3C、A4C视图进行测试，其结果分别为85.83％、79.42％、83.87％。
(4)基于深度学习的左心房内外膜分割。基于创建的左心房内外膜数据集，利用FCN、DeepLab、LedNet、PSPNet、DANet、CGNet、DenseASPP、ENet、ESPNet这9种分割网络对左心房内外膜进行分割，针对不同的心脏视图，充分比较不同分割网络的效果和实验时间。从评价指标看，对于Hausdorff距离，A3C中ENet效果最好，结果为3.8939;对于ASD，A4C中ENet效果最好，结果为0.5491;对于Dice系数，A3C中LedNet效果最好，结果为0.8339;对于PixelAccuracy，A3C中LedNet效果最好，结果为0.9934。