论文部分内容阅读
近年来,利用深度学习辅助诊断医学图像的技术成为热门的研究方向。根据有关资料显示,心血管疾病是造成全世界死亡率较高的重要因素。如何提高医生对心血管疾病的诊断效率以及尽早的确定治疗方案也成为了人们较为关注的健康问题。通过利用计算机辅助手段来快速地处理大量的心脏图像数据以此加快医生的诊断效率和准确率,这是非常具有临床研究意义的一项工作。之前针对心脏图像的研究都是利用手工来描绘分析心脏组织结构(如双心室和左心房)的轮廓,通过量化分析组织结构的各项功能指标来判断心脏是否发生病变。在临床应用上,目前主要还是通过放射科医生人工描绘心脏双室和左心房的轮廓,这比较耗时,枯燥且效率低下。本文通过利用深度学习算法实现心脏的双心室和左心房区域的精确分割,具体研究工作如下:1.从磁共振图像准确分割心脏双心室对分析和评估心血管系统的功能具有重要意义。然而,心脏双心室图像的复杂结构使全自动分割成为众所周知的挑战。本文从像素水平的角度提出了一种改进的编码器-解码器网络,用于双心室分割。该网络通过改进的编码器-解码器体系结构明确解决了复杂心脏结构的高可变性,该体系结构由着火空洞卷积模块和消防空洞卷积模块组成。这种改进的编码器-解码器体系结构的优点是能够获得语义任务感知表示并保留细粒度信息。另外,该方法可以通过专门设计的卷积长期和短期记忆结构动态捕获连续心脏图像之间潜在的时空相关性。它可以模拟连续图像之间的时空上下文。这些模块的组合使整个网络得到准确、鲁棒的分割结果。该方法在145个临床病人上通过留一法交叉验证方法来评估性能,平均Dice值高达0.96(左心室),0.89(心肌)和0.903(右心室)。这些结果证明了本文的方法在像素级别分割双心室区域的有效性和优势,它也揭示了所提出的自动分割系统可以被嵌入到临床环境中,以加速双心室的量化,并扩展到体积分析和区域壁厚分析等。2.左心房分割过程和结果在心房颤动的临床分析中至关重要,对分割之后的心房结构进行可视化能够增进对房颤的了解以及尽早确定治疗方案。然而,大多数现有方法在其网络中都是直接传递特征信息,这可能导致冗余信息被传递而影响最终的分割性能。此外,他们没有进一步考虑分割后的心房可视化,这导致对基本的心房解剖结构缺乏了解。本文提出了一种新的统一深度学习框架,用于同时分割和可视化心脏左心房。首先,设计一种新的双路径模型来增强心脏图像的表现力,通过一个多尺度上下文感知模块,有效处理左心房及相关肺静脉端的复杂外观和形状变化,接着将生成的多尺度特征反馈给门控双向消息传递模块,去除不相关信息,提取鉴别特征,最后,通过深度监督机制,将消息传递后的特征有效地结合起来,生成最终的分割结果。该方法在由100个三维钆增强磁共振图像组成的2018年左心房分割挑战数据集上进行实验,结果表明分割效果和金标准达到了良好的一致性。该性能证明了本文的网络在左心房分割和可视化方面的有效性和优势。因此,本研究提出的网络能够改善心房颤动的临床诊断和治疗。