本發明涉及一種基于多路卷積神經網絡的MRI圖像心臟結構分割方法，包括采集正常人和心臟病人的心臟電影MRI訓練數據，由經驗豐富的醫生對訓練數據中的心臟結構進行手動標注作為心臟分割標注結果，基于訓練數據對心臟區域提取模型進行訓練，使心臟區域提取模型能夠準確提取出心臟區域，根據從訓練數據中提取出的心臟區域對心臟分割網絡進行訓練，以分割出心臟各個結構，以標準分割標注結果作為標準，衡量構建的心臟分割網絡的分割性能。本發明采用基于生成對抗網絡的心臟區域提取模型來提取心臟，提高了心臟區域提取的準確性；同時，通過多路卷積神經網絡來利用相鄰層間的上下文信息，提高了分割精度和準確度。

技術領域

本發明涉及醫學圖像處理領域，尤其涉及基于多路卷積神經網絡的MRI圖像心臟結構分割方法。

背景技術

根據世界衛生組織統計，心血管疾病是全球致死率最高的疾病，2016年約有1970萬人死于心血管疾病。在臨床中，心臟功能分析對于心臟疾病診斷、風險評估、患者管理、治療決策具有重要作用。這通常是借助心臟數字圖像通過評估一系列臨床指標例如心室體積、射血分數、每搏量、心肌質量等，來定量分析全局或局部心臟功能。由于對軟組織的良好判別性，通過電影MRI圖像進行左、右心室射血分數、每搏量、左心室質量、心肌厚度的評估成為心臟功能分析的金標準.而這些定量指標的評估，需要對舒張及收縮末期這兩個階段的左心室內膜和心外膜，以及右室內膜進行準確的分割。在臨床實踐中，醫生手動分割不僅費時費力，依賴醫生經驗，不同醫生甚至同一醫生的兩次分割結果還都具有很大的可變性。因此，迫切需要準確的自動分割方法。

心臟電影MRI圖像中心臟結構的分割目前有人工手動分割方式，傳統自動分割方法以及基于深度學習的分割方法。人工手動分割方式是醫生在二維圖像上逐層進行人工描繪，再根據人工描繪的結果進行進一步的分析和診斷。但人工標注工作量大，耗時費力，可重復性差，使得醫生標注能力不足以滿足大量潛在病人的需求；同時，標注人員專業水平及經驗差異較大，人工分割結果存在較大差異，質量無法保證。

傳統自動分割方法，基于圖像或可變形模型的方法可通過與用戶交互的方式完成分割過程，需要人工進行分割結果的確認及標注結果調整。基于模型的分割方法如活動形狀模型、圖譜模型，可采用以大量數據構建大體模型的方式來減少用戶交互，來完成自動分割過程。然而，基于圖像和可變形模型的心臟分割方法通常需要用戶交互，魯棒性差，且分割準確度低。基于模型的方法如活動形狀模型、圖譜模型的方法雖然可減少用戶交互，但是不同人(包括正常人以及有心臟疾病的病人)心臟形狀以及動態多種多樣，建立包含心室所有可能的形狀的通用模型是很困難的，存在模型通用性、泛化性能差的問題。

隨著近年深度學習的發展，基于深度學習的分割方法被引入到心臟MRI圖像分割中來。基于深度學習的分割方法自動從原始心臟圖像中提取特征完成自動分割過程，通常無需用戶交互。基于深度學習的方法可以得到較為準確的全自動分割結果，但是現有基于深度學習的心臟分割方法，多采用2D的分割方法并未考慮層間上下文信息，層間上下文信息對于準確分割、提升分割性能是很有價值的。忽略層間上下文信息不符合臨床醫生的實際工作流程。同時，由于心臟電影MRI圖像自身掃描層厚、間距大的特點，直接通過3D分割方法利用層間上下文信息不僅計算開銷大而且可能無法帶來性能提升。

因此，如何提高心臟電影MRI圖像自動分割的準確性、提升分割性能成為急需解決的問題。

發明內容

針對現有技術之不足，本發明提出一種基于多路卷積神經網絡的MRI圖像心臟結構分割方法，所述方法包括：

步驟1：收集心臟電影MRI訓練數據，包括正常人的正常心臟電影MRI圖像和心臟病人的異常心臟電影MRI圖像，所述心臟電影MRI訓練數據包括心臟舒張及收縮階段的電影MRI圖像；

步驟2：由經驗豐富的醫生手動對心臟電影MRI訓練數據中的心臟結構進行逐層標注，并將標注結果作為心臟分割標準結果；