基于BiSeNet的小儿超声心动图左心分割方法

作者：胡玉进; 雷柏英; 郭力宝; 毛木翼; 靳泽隆; 陈思平; 夏焙^*; 汪天富^*

来源：中国生物医学工程学报, 2019, 38(05): 533-539.

DOI：10.3969/j.issn.0258-8021.2019.05.003

• 医学图像分割
• 小儿超声心动图
• BiSeNet
• 特征融合

小儿超声心动图分割是后续生物学参数测量与疾病诊断的关键一步。目前,这主要依赖于超声医生的手动分割,不仅耗时耗力,而且由于它的重复性与冗余性,常常会导致不准确的分割。深度学习方法在自然图像处理领域已经取得令人瞩目的成果,因此提出应用深度卷积神经网络,从小儿超声心动图中学习有效特征,进行左心关键解剖结构的分割。具体来说,提出使用双路径分割网络(BiSeNet),通过两路分支网络,分别提取低层和高层的特征,然后送入一个特征融合模块,筛选出有效的特征,从而得到准确的分割结果。在采集自深圳儿童医院超声科的包含87个超声心动图视频(2 216张图像)的数据集上进行验证,并与医生的标注结果进行比较。实验结果表明,BiSeNet可以提取到超声心动图中心脏结构的特征,它在左室和左房的分割任务上取得Dice系数高达0.914和0.887。这证明,所提出的方法可以帮助医生进行超声心动图分割,从而减轻医生的负担。

• 单位
  汕头大学医学院; 深圳大学; 深圳市儿童医院; 生物医学工程学院