【摘要】：心肌梗死(myocardial infarction,MI)是一種嚴(yán)重的心血管疾病,會導(dǎo)致心肌細(xì)胞和血管細(xì)胞在梗塞附近部位隨后死亡,威脅著人類的健康。超聲心動圖(ultrasound cardiogram)是用來觀察心臟動態(tài)影像的唯一技術(shù),而且提供了一種非侵入的方式診斷和監(jiān)測心臟的狀況。然而,由于超聲(ultrasound,US)成像的一些固有缺陷,例如低對比度、斑點噪聲、信號丟失及聲影,導(dǎo)致心肌組織難以與背景區(qū)分。而心肌的分割與評估是心肌形態(tài)與功能研究的關(guān)鍵。因此,研究心肌超聲(myocardium ultrasound,MUS)圖像準(zhǔn)確有效的分割算法既很有價值又很有挑戰(zhàn)。醫(yī)學(xué)US圖像分割的常用方法可分為七大類:基于閾值、基于聚類、基于分水嶺、基于圖、基于主動輪廓模型、基于馬爾科夫隨機(jī)場以及基于神經(jīng)網(wǎng)絡(luò)的分割方法。其中神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)是近年來一項熱門的研究課題,一些學(xué)者研究基于神經(jīng)網(wǎng)絡(luò)的語義分割方法,也有學(xué)者研究結(jié)合先驗信息和直覺感受的傳統(tǒng)機(jī)器學(xué)習(xí)方法。為了較好地提取整個心肌組織,本文分別研究了基于超像素和鄰域塊特征結(jié)合的連續(xù)圖割方法和基于VGG16-UNet的深度學(xué)習(xí)方法�；诔袼睾袜徲驂K特征結(jié)合的連續(xù)圖割方法(fast Superpixels and Neighborhood Patches based Continuous Min-Cut,fSP-CMC)由以下五部分組成:(1)圖割模型的圖構(gòu)建,(2)超像素和鄰域塊的特征提取,(3)新的相似性度量的定義,(4)交互式標(biāo)記的設(shè)置,以及(5)連續(xù)圖割模型的求解。將US圖像構(gòu)建成圖,其依賴于超像素和鄰域塊的特征提取。通過皮爾森距離和皮爾森相關(guān)系數(shù)的結(jié)合定義一種新的相似性度量,以捕獲和增強(qiáng)特征之間的相關(guān)性,進(jìn)一步提高分割性能。而用戶提供的交互式標(biāo)記在半監(jiān)督分割中起輔助作用,以彌補(bǔ)US圖像質(zhì)量的不足,提高分割的精度。然后通過基于增廣拉格朗日和算子分裂的快速最小化算法求解連續(xù)圖割模型。與基于鄰域塊特征的連續(xù)圖割方法(fast Neighborhood Patches based Continuous Min-Cut,fP-CMC)的對比實驗結(jié)果顯示,fSP-CMC的 Dice、Precision和 Sensitivity值基本高于fP-CMC,表明fSP-CMC的分割結(jié)果優(yōu)于fP-CMC的分割結(jié)果�；赩GG16-UNet的深度學(xué)習(xí)方法將在ImageNet上預(yù)訓(xùn)練好的VGG16模型學(xué)到的特征表示遷移到U-Net模型中,在自己的訓(xùn)練集上接著微調(diào)訓(xùn)練。由于預(yù)訓(xùn)練模型VGG16是針對三通道的分類模型,所以需將輸入通道數(shù)改為1,并移除全連接層,然后用它替換U-Net的編碼器部分,以將特征進(jìn)行遷移。而U-Net的解碼器部分利用反卷積層對特征圖進(jìn)行上采樣,將其逐層還原至原尺寸,從而實現(xiàn)圖像像素級的分類,即單幅圖像的分割。在上采樣過程中,通過跳躍連接(skip connection)逐層進(jìn)行深層特征與淺層特征的融合,以進(jìn)一步提高圖像分割的精度。因訓(xùn)練數(shù)據(jù)過少,因此對其在線擴(kuò)增10倍,對模型的評估則使用十折交叉驗證方法。與U-Net的對比實驗結(jié)果顯示,VGG16-UNet的Dice、Precision和Sensitivity值基本高于U-Net,表明VGG16-UNet的分割結(jié)果優(yōu)于U-Net的分割結(jié)果。然而與fSP-CMC的分割結(jié)果比較,VGG16-UNet的分割精度及魯棒性仍不夠高。其與訓(xùn)練數(shù)據(jù)數(shù)量有關(guān),仍不足以抓取常見的US圖像偽影。同時也與分割網(wǎng)絡(luò)有關(guān),仍有很大的改進(jìn)空間去適應(yīng)US圖像的固有缺陷。總體上看,兩種方法都取得了較好的分割結(jié)果。fSP-CMC分割MUS圖像的精度要更高,不過目前仍限于靜態(tài)分割。而VGG16-UNet可滿足超聲心動圖的動態(tài)分割,但分割精度及魯棒性仍不夠高。未來的研究計劃之一是將深度學(xué)習(xí)方法與fSP-CMC方法結(jié)合,運用深度學(xué)習(xí)方法獲得初始的粗略輪廓,近似估計其附近的兩條邊界作為交互式標(biāo)記,再運用fSP-CMC方法進(jìn)行分割優(yōu)化,有望將fSP-CMC轉(zhuǎn)化為自動分割方法。其中深度學(xué)習(xí)方法的分割步驟仍起著關(guān)鍵作用,今后的另一研究計劃是在增加訓(xùn)練數(shù)據(jù)量的同時,改進(jìn)分割模型的網(wǎng)絡(luò)結(jié)構(gòu)以進(jìn)一步提升MUS圖像的分割精度及魯棒性。
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R445.1;TP391.41
【圖文】：

并通過該平臺維持其體溫。使用用于小動物實驗的超高分辨率的ＵＳ成像逡逑系統(tǒng)（Ｖｅｖｏ２１００，Ｖｉｓｕａｌ邋Ｓｏｎｉｅｓ，Ｃａｎａｄａ）掃描大鼠的心臟。通過脫毛膏除去成逡逑像目標(biāo)區(qū)域的毛發(fā)。如圖３－１所示，使用ＭＳ－２５０探頭，發(fā)射頻率為２１邋ＭＨｚ，逡逑掃描其左心室的胸骨旁長軸（ＰＬＡＸ）和胸骨旁短軸（ＰＳＡＸ）切面。成像系統(tǒng)逡逑的分辨率為７０叫１。圖像采集的物理尺寸為深度２１．００ｍｍ，寬度１８．０４邋ｍｍ。采逡逑１２逡逑

逑３．３本章研宄方法逡逑圖３－２展示了本章研究方法的流程圖，包括提出的於Ｐ－ＣＭＣ分割方法，其逡逑包含（１）圖割模型的圖構(gòu)建，（２）超像素和鄰域塊的特征提取，（３）新的相似逡逑性度量的定義，（４）交互式標(biāo)記的設(shè)置，以及（５）連續(xù)圖割模型的求解。逡逑（ＪＰｆｅ邋）邐Ｉ邐；逡逑＇邋ｒ邋Ｉ邐，！逡逑丨邋心肌超聲圖像邋７邋Ｉ邐３．３．２．超像素特征提取逡逑｜邐１邐粗特征逡逑３．３．１．閣割模艱的閣構(gòu)建——Ｉ邋３．３．２．鄰域塊特征提取逡逑Ｉ邋邐邋細(xì)特征逡逑３．３．３．新的相似性度f埖畝ㄒ澹浚煎五義希懾邋五五澹剩櫻校茫停緬義希�，——————｜——，！辶x希常常擔(dān)幾釧笮偷那蠼忮危常常矗煌呤獎輳椋淶納柚緬義希有「鑠危灣義襄五五澹五義希常矗澹危眨遙攏憂吣夂蝦蟠礤義襄

本文編號：2769280