基于神经网络的心脏图像分割

作     者：Suhail Ahmed Rajpar 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：Liu Jie

授予年度：2018年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：CT图像 心脏分割 神经网络 卷积神经网络 叠加去噪自编码器 

摘      要：目前,心血管疾病是人类非意外死亡的主要原因之一,发病率较高,没有固定的发病规律。现在,心血管疾病逐渐向年轻人发展,并始终威胁着人类的健康生活。心脏是心血管系统的中枢器官,获得心脏的生理信息是心血管疾病诊断和治疗的关键。CT成像技术因其具有成像速度快、成像清晰等优点,已经成为心脏检查的常用手段。CT图像分割对心血管疾病的诊断和治疗具有重要意义。然而,心脏是一个实体器官,常见的断层图像序列很难完全显示心脏的生理信息,而对于计算机辅助诊断,介入治疗引导,心脏手术和其他技术通常需要一个完整的心脏解剖学信息。医学图像的三维可视化是发掘心脏解剖学信息的主要手段,而图像分割是实现人体器官视觉化的数据基础。对于心脏图像的分割,国内外研究人员提出了各种不同的分割方法,但大多数算法都侧重于对心房和心室的分割,难以满足整个心脏分割的要求。同时,由于心脏搏动和血流的影响,心脏CT图像容易产生伪影、边界弱化等问题,影响到心壁分割效果。此外,传统的人工分割方法需要大量医务人员的经验,并且分割的效率较低。因此,在医学图像处理领域,自动心脏分割一直是一个具有挑战性的热点问题。基于医学图像的分割和识别,本文提出了一种基于神经网络和图像显著性的新方法。该方法主要基于心脏图像和其他组织切片之间的显著差异,并且在心脏CT图像序列中,相邻片之间具有很高的相似性。本文的主要内容和创新如下:1.利用视觉显著性技术实现基于CT图像的心脏分割。利用图像显著性检测算法对CT图像进行计算,并利用显著性图像对原始CT图像进行分割,获得完整的心脏图像。进一步将分割任务分解为两部分:定位和分割,利用卷积神经网络和叠加去噪声自编码网络实现定位和分割。首先,根据卷积神经网络具有的优秀的图像分类和目标识别性能,构建卷积神经网络来实现图像中心脏的定位功能。然后,对原始心脏CT图像进行切割,并通过定位结果去除部分非目标区。此外,构造一个叠加去噪声自编码器,并通过人工划分图像来完成对CT图像中心脏组织的分类和识别的训练。2.将该分割算法的结果与人工分割结果进行了比较,并得到这两种结果的定量评价。最后利用体绘制和面绘制进行了三维可视化。本文通过对CT图像的特点和现有的心脏分割算法的分析,将心脏分割任务分解为两部分,并提出了一种基于神经网络和图像显著性的分割算法。主要内容如下:第一章,引言。介绍了本文的研究背景、目的和意义,以及国内外心脏图像分割的研究现状,并比较了现有的心脏分割算法和心脏分割的特点。最后,简要介绍了本文的主要内容,和总体结构。第二章,介绍了 CT图像分割算法。详细介绍了研究中涉及的基本算法和基本概念等知识。本文提出了基于图像显著性和神经网络的两种分割方法,并对这两种算法的分割性能进行了验证。本章也详细介绍了一些算法的概念和原理,包括CT图像处理技术的技术理论及其相关的基本概念,如卷积神经网络、图像显著性以及在分割过程中叠加去噪声的自编码等。第三章,基于视觉显著性的心脏分割。本章详细介绍了一种基于视觉显著性的分割算法,并利用显著性图像对原始的CT图像进行分割。在医学图像分割和处理中,人们只对图像的一部分感兴趣。这部分称为前景或目标,通常对应于图像中具有特殊属性的区域。因此,有必要将目标与图像分离以进行进一步的分析。图像分割技术是将图像分割成几个具有统一特征的区域,以便将感兴趣的图像区域与复杂图像内容分离开来。视觉注意力机制是包括人类在内的灵长类动物所拥有的重要属性。它可以帮助人们在许多图像信息中找到重要或感兴趣的对象,忽略其他不重要的内容,减少信息处理量的计算。因此,将视觉注意力机制引入到图像分割中可以显著提高图像分割的效率。实现基于神经网络的心脏分割方法。将心脏图像分割任务分解为两部分:定位和分割。并利用卷积神经网络和叠加去噪声自编码网络实现。如何利用计算机技术从图像中准确地分割目标区域一直是医学图像处理领域的研究挑战。由于医学图像不可避免地受到环境噪声、局部身体效应和组织运动等现象的干扰,与自然环境中的光学成像和其他问题相比,它们不可避免地具有边缘模糊、灰度分布不均匀、对比度低等特点。CT图像作为一种医学图像,图像分割也将受到上述因素的影响。为了实现图像的自动分割,减少分割的难度,提高分割的精度,本文将分割算法分解为两部分:定位和分割。针对心脏定位的问题,采用卷积神经网络定位法。针对定位后的心脏图像分割,采用叠加降噪的自编码神经网络来实现。在定位和分割的实验中,神经网络的训练效果对训练集的数量具有很强的鲁棒性。为了解决这一问题,本文采用了去噪声的自编码方法,对卷积核进行预训练,从而提高了训练集图像的数量。实验结果表明,经过训练的卷积网络对心脏CT图像具有良好的识别效果,能够准确地获得心脏位置。通过叠加去噪声自编码网络训练二进制图像,可以很好地与SF分割方法进行比较。最终的分割图像完