买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东师范大学

摘要：本发明公开了一种基于DeepLabV3网络的左心室超声动态分割方法，所述动态分割方法包括如下步骤：收集二维超声心动图中心尖四腔切面的数据，形成数据集；对数据集进行预处理并标准化，并将数据集划分为训练集，测试集以及验证集；构建深度学习网络模型，用上述划分得到的训练集对网络模型进行训练；使用训练阶段得到的最终权重参数对验证集进行验证，验证集评估出来的效果用来调整超参数，最后用测试集进行测试。本发明方法中的网络模型使用的参数更少，降低了网络的复杂度，同时能够自动地、准确地动态提取二维超声心动图中心尖四腔切面中的左心室区域，无需人工进行交互，通用性、泛化能力较好。

主权项：1.一种基于DeepLabV3网络的左心室超声动态分割方法，其特征在于，所述动态分割方法使用弱监督的学习方式学习标注图像的特征从而对数据集中其他心脏未标注的图像进行左心室分割，所述动态分割方法包括如下步骤：步骤1：收集二维超声心动图中心尖四腔切面的数据，形成数据集；所述数据包括斯坦福心脏超声数据集，所述斯坦福心脏超声数据集中的视频包含对部分帧中心脏收缩末期和舒张末期的左心室的标注；步骤2：对数据集进行预处理并标准化，并将数据集以75%，12.5%，12.5%的比例划分为训练集，测试集以及验证集；所述预处理包括裁剪和遮罩，去除文本、心电图以及扫描扇区以外的其他信息；所述其他信息和使用的超声机器有关，包括帧率，医院信息；所述标准化处理包括调整图像大小，将图像根据不同的超声采集机器调整图像为不同生成的方形图像为600×600或768×768像素，并使用OpenCV通过三次插值下采样为112×112大小的视频并使用中心化Z-score的方法进行标准化；所述划分获得的训练集，测试集以及验证集的比例为6：1：1；中心化Z-score方法首先对于输入的图像xi按照公式1求像素平均值u，其中n为图像像素点总数，然后按照公式2计算图像的标准差σ，最后根据公式3将由不同仪器采集到的图像数据映射到-1,1之间，使得均值u为0，标准差σ为1； 步骤3：构建深度学习网络模型，用步骤2中划分得到的训练集对网络模型进行训练；所述网络模型的训练方法包括：在训练阶段，使用Pytorch深度学习框架对训练集进行模型参数的学习，同时设置batch_size=20，num_works=4，对于数据的分批读入采用随机的方式提高网络的鲁棒性，网络能够学习标注区域的特征；首先图像输入到ResNet50的残差网络结构中，之后采用包括一个1×1卷积以及三个膨胀率分别为6，12，18的空洞卷积的空间金字塔池化ASPP结构，学习图像的多尺度特征，同时增加全局平均池化层来增加图像级的特征来捕获全局信息；将得到的及结果加入到具有256输出通道的1×1卷积核中，即将5个Batch的数据按dim=1轴即通道channel轴进行拼接，最后得到具有分割结果的特征图，再通过双线性上采样恢复到原图尺寸；步骤4：使用训练阶段得到的最终权重参数文件对验证集进行验证，验证集评估出来的效果用来调整超参数，最后用测试集进行测试并对结果采用相似度Dice系数进行评估；Dice系数为集合相似度度量指标，用于计算两个样本之间的相似度值的范围为0到1，分割结果最好时值为1，最差时值为0；公式如下，其中P代表预测的左心室区域，T代表真实的左心室区域；计算公式如下式4； 步骤2中还包括数据格式转换步骤，将dicom格式转化为avi格式。

全文数据：

权利要求：

百度查询： 华东师范大学 一种基于DeepLabV3网络的左心室超声动态分割方法