收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于图割与深度学习的心肌超声图像分割方法研究

宋湘芬  
【摘要】:心肌梗死(myocardial infarction,MI)是一种严重的心血管疾病,会导致心肌细胞和血管细胞在梗塞附近部位随后死亡,威胁着人类的健康。超声心动图(ultrasound cardiogram)是用来观察心脏动态影像的唯一技术,而且提供了一种非侵入的方式诊断和监测心脏的状况。然而,由于超声(ultrasound,US)成像的一些固有缺陷,例如低对比度、斑点噪声、信号丢失及声影,导致心肌组织难以与背景区分。而心肌的分割与评估是心肌形态与功能研究的关键。因此,研究心肌超声(myocardium ultrasound,MUS)图像准确有效的分割算法既很有价值又很有挑战。医学US图像分割的常用方法可分为七大类:基于阈值、基于聚类、基于分水岭、基于图、基于主动轮廓模型、基于马尔科夫随机场以及基于神经网络的分割方法。其中神经网络或深度学习是近年来一项热门的研究课题,一些学者研究基于神经网络的语义分割方法,也有学者研究结合先验信息和直觉感受的传统机器学习方法。为了较好地提取整个心肌组织,本文分别研究了基于超像素和邻域块特征结合的连续图割方法和基于VGG16-UNet的深度学习方法。基于超像素和邻域块特征结合的连续图割方法(fast Superpixels and Neighborhood Patches based Continuous Min-Cut,fSP-CMC)由以下五部分组成:(1)图割模型的图构建,(2)超像素和邻域块的特征提取,(3)新的相似性度量的定义,(4)交互式标记的设置,以及(5)连续图割模型的求解。将US图像构建成图,其依赖于超像素和邻域块的特征提取。通过皮尔森距离和皮尔森相关系数的结合定义一种新的相似性度量,以捕获和增强特征之间的相关性,进一步提高分割性能。而用户提供的交互式标记在半监督分割中起辅助作用,以弥补US图像质量的不足,提高分割的精度。然后通过基于增广拉格朗日和算子分裂的快速最小化算法求解连续图割模型。与基于邻域块特征的连续图割方法(fast Neighborhood Patches based Continuous Min-Cut,fP-CMC)的对比实验结果显示,fSP-CMC的 Dice、Precision和 Sensitivity值基本高于fP-CMC,表明fSP-CMC的分割结果优于fP-CMC的分割结果。基于VGG16-UNet的深度学习方法将在ImageNet上预训练好的VGG16模型学到的特征表示迁移到U-Net模型中,在自己的训练集上接着微调训练。由于预训练模型VGG16是针对三通道的分类模型,所以需将输入通道数改为1,并移除全连接层,然后用它替换U-Net的编码器部分,以将特征进行迁移。而U-Net的解码器部分利用反卷积层对特征图进行上采样,将其逐层还原至原尺寸,从而实现图像像素级的分类,即单幅图像的分割。在上采样过程中,通过跳跃连接(skip connection)逐层进行深层特征与浅层特征的融合,以进一步提高图像分割的精度。因训练数据过少,因此对其在线扩增10倍,对模型的评估则使用十折交叉验证方法。与U-Net的对比实验结果显示,VGG16-UNet的Dice、Precision和Sensitivity值基本高于U-Net,表明VGG16-UNet的分割结果优于U-Net的分割结果。然而与fSP-CMC的分割结果比较,VGG16-UNet的分割精度及鲁棒性仍不够高。其与训练数据数量有关,仍不足以抓取常见的US图像伪影。同时也与分割网络有关,仍有很大的改进空间去适应US图像的固有缺陷。总体上看,两种方法都取得了较好的分割结果。fSP-CMC分割MUS图像的精度要更高,不过目前仍限于静态分割。而VGG16-UNet可满足超声心动图的动态分割,但分割精度及鲁棒性仍不够高。未来的研究计划之一是将深度学习方法与fSP-CMC方法结合,运用深度学习方法获得初始的粗略轮廓,近似估计其附近的两条边界作为交互式标记,再运用fSP-CMC方法进行分割优化,有望将fSP-CMC转化为自动分割方法。其中深度学习方法的分割步骤仍起着关键作用,今后的另一研究计划是在增加训练数据量的同时,改进分割模型的网络结构以进一步提升MUS图像的分割精度及鲁棒性。


知网文化
【相似文献】
中国期刊全文数据库 前19条
1 黄玲;石玉秋;覃永新;;基于小波融合的苹果图像分割的研究[J];科技视界;2018年29期
2 侯红英;高甜;李桃;;图像分割方法综述[J];电脑知识与技术;2019年05期
3 姚霆;张炜;刘金根;;基于深度学习的图像分割技术[J];人工智能;2019年02期
4 丁翠;;基于模糊信息处理的图像分割方法研究[J];信息系统工程;2017年11期
5 王平;魏征;崔卫红;林志勇;;一种基于统计学习理论的最小生成树图像分割准则[J];武汉大学学报(信息科学版);2017年07期
6 李然;李记鹏;宋超;;基于显著性检测的协同图像分割研究[J];现代计算机(专业版);2017年24期
7 邓惠俊;;一种基于数据场的图像分割方法与研究[J];长春工程学院学报(自然科学版);2016年02期
8 李继云;冀卿伟;;基于自适应局部阈值的交互式图像分割[J];计算机应用与软件;2014年11期
9 刘印;;对图像分割方法的认识及新进展研究[J];数码世界;2018年08期
10 杨成佳;;唇纹识别图像分割系统的研究[J];山西青年;2017年11期
11 韩白静;刘欢;;浅谈基于阈值的图像分割方法[J];科学家;2017年02期
12 寇毛蕊;;医学图像分析系统设计[J];数码世界;2017年09期
13 利民;杨立森;阿木古楞;;图像分割的研究进展[J];科技创新与应用;2013年04期
14 魏庆;卢照敢;邵超;;图像分割复杂性测度研究[J];计算机科学;2013年04期
15 兰红;王璇;;基于多元线性回归的昆虫图像分割方法[J];计算机应用与软件;2013年07期
16 李林浩;;应用混合算法实现卫星图像分割的分析[J];网络安全技术与应用;2013年07期
17 胡小丹;滕忠坚;;基于噪声统计模型的图像分割方法[J];计算机与现代化;2011年03期
18 龚永义;黄辉;于继明;关履泰;;基于熵的两区域图像分割[J];中国图象图形学报;2011年05期
19 武劲圆;游国栋;孙丰源;唐东润;;图像分割法对糖尿病患者眼底图像中视网膜血管的分割结果分析[J];山东医药;2011年42期
中国重要会议论文全文数据库 前10条
1 闫平昆;;基于模型的图像分割技术及其医学应用[A];第十五届全国图象图形学学术会议论文集[C];2010年
2 杨生友;;图像分割在医学图像中应用现状综述[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年
3 朱士蓉;谢昭;高隽;;一种图模型下的柔性图像分割方法[A];中国仪器仪表学会第十二届青年学术会议论文集[C];2010年
4 朱松豪;刘佳伟;罗青青;胡荣林;;基于关联模型的图像分割[A];第26届中国控制与决策会议论文集[C];2014年
5 张志会;王华英;熊南燕;廖薇;成惠;刘飞飞;;对基于图像分割与合并的相位展开算法的改进[A];第十届全国光电技术学术交流会论文集[C];2012年
6 杨加文;谢凤英;;基于深度学习的皮肤镜图像分割[A];第十五届中国体视学与图像分析学术会议论文集[C];2017年
7 郭世可;董槐林;龙飞;张海波;;一种结合密度聚类和区域生长的图像分割方法[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年
8 刘智勇;李进;黄道君;;基于遗传算法的视频交通量检测图像分割方法[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年
9 张萍;单筱攸;巴成贺;;主动脉图像分割的研究与实现[A];第十二届中国体视学与图像分析学术会议论文集[C];2008年
10 赵建业;余道衡;;一种基于模糊细胞神经网络的多值图像分割新方法[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年
中国博士学位论文全文数据库 前10条
1 古晶;基于稀疏特征学习的SAR图像分割与半监督分类方法研究[D];西安电子科技大学;2016年
2 段一平;基于层次视觉计算和统计模型的SAR图像分割与理解[D];西安电子科技大学;2017年
3 胡佩君;腹部CT图像分割的可计算建模方法研究[D];浙江大学;2018年
4 姜枫;基于语义识别的砂岩薄片图像分割方法研究[D];南京大学;2018年
5 赵晓丽;面向图像分割的智能算法研究[D];上海大学;2018年
6 倪波;高强度聚焦超声图像分割方法研究[D];武汉大学;2016年
7 王森;非受限场景裂纹图像分割方法研究[D];昆明理工大学;2017年
8 王涛;特征度量与信息传递的交互式图论分割方法研究[D];南京理工大学;2017年
9 戴令正;自然图像分割的若干算法研究[D];南京理工大学;2017年
10 李钢;偏微分方程与变分技术在图像分割中的应用研究[D];太原理工大学;2018年
中国硕士学位论文全文数据库 前10条
1 胡加亮;基于模糊聚类算法的图像分割研究[D];华东师范大学;2019年
2 刘树朋;基于深度学习的中草药图像分类方法研究[D];齐鲁工业大学;2019年
3 丁奇安;非限定环境下的车牌识别技术研究[D];安徽工程大学;2019年
4 赵春梅;水下图像分割和目标特征提取及识别技术研究[D];哈尔滨工程大学;2019年
5 代成;基于深度学习的医疗图像分割算法研究[D];北京邮电大学;2019年
6 戴文龙;基于改进区域型水平集的图像分割方法研究[D];兰州理工大学;2019年
7 赵彦会;基于光谱哈希的图像分割方法研究[D];山东师范大学;2019年
8 马玥;基于谱聚类的图像分割技术研究[D];河北地质大学;2018年
9 孙喆;基于图像特征密度峰值聚类的图像分割方法研究[D];山东师范大学;2019年
10 高宏进;图像分割中的群智能算法改进研究[D];贵州大学;2019年
中国重要报纸全文数据库 前1条
1 赵利利;图像分割出新方法[N];中国科学报;2019年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978