基于残差注意力单元的心脏图像分割方法技术

针对经典神经网络分割网络在分割心脏子结构精度不高的问题，本发明专利技术提出了基于残差注意力单元的心脏分割方法。在经典FCN结构基础上，算法首先将MRI心脏图像进行裁剪预处理，通过减少背景像素的输入，缓解类不平衡问题；接着引入残差注意力单元，将残差块与空间注意力机制结合，缓解了卷积层对空间位置不敏感的问题，进而实现精确的特征提取。然后引入注意力机制，过滤掉无用信息区域，重视含有有用信息的区域，增强特征图像的分辨率，提高细节特征的表达能力，获取更多细节特征。同时为了扩大感受野，使用扩展卷积来提升神经网络的感受野，提高网络对心脏细节的识别能力，以获得更加精确的心脏分割结果。本发明专利技术在心脏自动分割中具有良好的应用前景。中具有良好的应用前景。

【技术实现步骤摘要】
基于残差注意力单元的心脏图像分割方法


[0001]本专利技术属于医学图像处理
，具体涉及到一种用于心脏子结构分割的方法。

技术介绍

[0002]根据美国心脏协会(AHA)2019年的心脏病和中风统计报告指出，在美国，2019年预计将发生约1055000个病例罹患冠状动脉心脏病，其中包括720000例新的和335000例复发性冠状动脉病例，这个数字还在逐年增加。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。为了有效治疗和预防这些疾病，精准计算、建模和分析整个心脏结构对于医学领域的研究和应用至关重要。目前，心脏子结构一般由医生或专家根据现有的医学知识、医疗条件和临床知识进行人工分割，这种方法耗时费力，且具有很强的主观性，分割结果因人而异。随着大规模标记数据的出现和计算机的发展，利用深度学习算法来实现心脏的自动分割已经成为当前研究的热点。其中，2015年，Olaf Ronneberger基于全卷积网络(Fully Convolutional Netw本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明公布了一种基于残差注意力单元的心脏图像分割方法，包括以下步骤：（1）数据预处理：由于原始图像大小不统一，为了便于特征学习，首先将图像归一化为[256,256]，然后裁剪归一化的中心区域图片为160
×
160；接着采用对角镜像，垂直镜像以及旋转三种数据增广方式进行数据扩充；（2）训练阶段：在训练阶段，对本发明提出的MDF
‑
Net网络进行参数训练；使用Tensorflow 2.1.2和Keras 1.4.0深度学习框架对训练集进行模型参数的学习，在训练过程中，学习率...

【专利技术属性】
技术研发人员：崔晓娟，白鑫昊，杨铁军，李磊，樊超，巩跃洪，苗建雨，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：