基于深度学习的心脏图像分割研究

作     者：马心悦 

作者单位：北京邮电大学 

学位级别：硕士

导师姓名：孙学斌

授予年度：2023年

学科分类：1002[医学-临床医学] 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] 0811[工学-控制科学与工程] 10[医学] 

主      题：心脏图像分割 深度学习 自注意力 方向特征 半监督学习 

摘      要：随着医学图像处理领域的不断发展,对于心血管磁共振成像的自动分割逐渐成为热点问题之一。然而,心脏MRI图像容易出现边界不清晰、像素亮度不均匀等问题,从而导致了分割结果中类间像素差异不明显等问题。针对这一问题,基于医学图像分割领域常用的UNet模型,本文引入了自然语言处理领域常用的自注意力机制,充分发掘图像的全局信息;同时,引入方向特征矩阵,利用像素的方向信息,增强不同类像素之间的差异性,优化模型在边界处的分割结果。模型主要分为分割模块和方向特征模块,自注意力机制用以替换构建模块中的卷积结构,从而更好的捕捉长期依赖;分割模块的输出作为方向特征模块的输入,方向特征模块用于预测像素与距其最近的边界之间的方向向量。针对医学图像数据集数据样本量少、标注获取难度大的问题,本文使用了交叉伪监督的方法进行模型训练,以有限的数据取得了良好的分割结果。同时,本文使用了多种半监督学习方法进行了实验以作为对比。为了对模型效果进行评估,本文使用了 2017 MICCAI心脏自动诊断(Automated Cardiac Diagnosis Challenge,ACDC)数据集与多源,多中心,多疾病心脏图像分割(Multi-Centre,Multi-Vendor&Multi-Disease Cardiac Image Segmentation Challenge,M&Ms)数据集进行验证。结果表明,模型具有良好的分割能力。