基于多尺度注意力和自适应特征融合的心脏MRI分割方法技术

一种基于多尺度注意力和自适应特征融合的心脏MRI分割方法，有效提取多尺度上下文信息并通过注意力机制来融合不同尺度的特征，加强对目标区域的敏感度。通过不同膨胀率的膨胀卷积在不降低分辨率的情况下获取不同尺寸的感受野，提取多尺度目标特征。对包含丰富的空间信息的浅层特征和包含丰富的语义信息的深层特征进行融合，可以抑制无关背景的干扰，保留更重要的语义上下文信息进行更精确的定位。留更重要的语义上下文信息进行更精确的定位。留更重要的语义上下文信息进行更精确的定位。

【技术实现步骤摘要】
基于多尺度注意力和自适应特征融合的心脏MRI分割方法


[0001]本专利技术涉及图像分割
，具体涉及一种基于多尺度注意力和自适应特征融合的心脏MRI分割方法。

技术介绍

[0002]心脏核磁共振成像技术存在短轴切片数量少，切片厚度过厚等特点，导致图像的短轴分辨率过低、信息量稀疏等问题。同时还存在心脏子结构之间，子结构和周围组织之间对比度差，子结构形状大小多变等问题。所以，如何自动对心脏核磁共振图像进行精确的分割已经成为了一个重要的医学图像问题。
[0003]目前，心脏MRI分割的方法主要包括基于传统方法和基于深度学习的方法。传统方法具有很好的鲁棒性，也推动了该领域的进步，但是效率低下，逐渐不适用于医院的临床诊断工作。相对于传统方法，深度学习的方法在提高效率的同时也提高了准确性，所以被广泛应用。这类方法可以自动学习图像的特征信息，从而更加快速的分割心脏的各个子结构。虽然心脏MRI分割技术一直在不断进步，也取得了一定进展，但成像过程中由于不均匀的磁场强度以及心脏跳动的噪声产生伪影，造成边界模糊的问题仍然存在。因此，如何快速准确的分割心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度注意力和自适应特征融合的心脏MRI分割方法，其特征在于，包括如下步骤：a)选择N个有专家标注结果的心脏MRI数据；b)对第i个有专家标注结果的心脏MRI数据进行预处理，得到第i个预处理后的图像A
i
，i∈{1,...,N}，得到预处理后的心脏MRI数据集A，A＝{A1,A2,...,A
i
,...,A
N
}；c)将预处理后的心脏MRI数据集A划分为训练集、验证集、测试集，将训练集中的各个预处理后的图像沿Z轴切片，得到M个切片图像，第i个切片图像为F
i
，i∈{1,...,M}，F
i
∈R
C
×
H
×
W
，其中R为实数空间，C为图像的通道数，H为图像的高度，W为图像的宽度，将测试集中的各个预处理后的图像沿Z轴切片，得到O个切片图像，第j个切片图像为F
j
，j∈{1,...,O}，F
j
∈R
C
×
H
×
W；d)建立分割网络模型，分割网络模型由编码器、多尺度注意力模块MSA、解码器构成；e)将训练集中第i个切片图像F
i
输入到分割网络模型的编码器中，输出得到特征图特征图特征图特征图f)将特征图特征图特征图特征图输入到分割网络模型的多尺度注意力模块MSA中，输出得到特征图g)将特征图输入到分割网络模型的解码器中，输出得到预测分割图像h)通过公式L
total
＝L
Dice
+λL
CE
计算得到总损失L
total
，式中L
Dice
为Dice损失，L
CE
为交叉熵损失，λ为权重，利用总损失L
total
通过Adam优化器训练分割网络模型，得到优化后的分割网络模型；i)将测试集中第j个切片图像F
j
输入到优化后的分割网络模型中，得到预测分割图像2.根据权利要求1所述的基于多尺度注意力和自适应特征融合的心脏MRI分割方法，其特征在于：步骤a)中从ACDC公开数据集中选择有专家标注结果的心脏MRI数据。3.根据权利要求1所述的基于多尺度注意力和自适应特征融合的心脏MRI分割方法，其特征在于，步骤b)包括如下步骤：b
‑
1)对第i个有专家标注结果的心脏MRI数据沿Z轴切片，将切割的若干切片进行体素为(1.5,1.5)的重采样操作，将重采样后的切片进行中心剪裁，剪裁后的切片的大小为192*192，将剪裁后的各个切片堆叠重新恢复为心脏MRI数据；b
‑
2)对重新恢复的心脏MRI数据进行Z
‑
Score标准化处理，得到第i个预处理后的图像A
i
。4.根据权利要求1所述的基于多尺度注意力和自适应特征融合的心脏MRI分割方法，其特征在于：将预处理后的心脏MRI数据集A按照7:1:2的比例划分为训练集、验证集、测试集。5.根据权利要求1所述的基于多尺度注意力和自适应特征融合的心脏MRI分割方法，其特征在于，步骤e)包括如下步骤：e
‑
1)分割网络模型的编码器由第一下采样模块、第二下采样模块、第三下采样模块、第四下采样模块构成；
e
‑
2)编码器的第一下采样模块由DC块、最大池化层构成，DC块依次由第一卷积层、第一BN层、第一Relu激活函数层、第二卷积层、第二BN层、第二Relu激活函数层构成，将训练集中第i个切片图像F
i
输入到第一下采样模块的DC块中，输出得到特征图将特征图输入到第一下采样模块的最大池化层中，输出得到特征图e
‑
3)编码器的第二下采样模块由DC块、最大池化层构成，DC块依次由第一卷积层、第一BN层、第一Relu激活函数层、第二卷积层、第二BN层、第二Relu激活函数层构成，将特征图输入到第二下采样模块的DC块中，输出得到特征图将特征图输入到第二下采样模块的最大池化层中，输出得到特征图e
‑
4)编码器的第三下采样模块由DC块、最大池化层构成，DC块依次由第一卷积层、第一BN层、第一Relu激活函数层、第二卷积层、第二BN层、第二Relu激活函数层构成，将特征图输入到第三下采样模块的DC块中，输出得到特征图将特征图输入到第三下采样模块的最大池化层中，输出得到特征图e
‑
5)编码器的第四下采样模块由DC块、最大池化层构成，DC块依次由第一卷积层、第一BN层、第一Relu激活函数层、第二卷积层、第二BN层、第二Relu激活函数层构成，将特征图输入到第四下采样模块的DC块中，输出得到特征图将特征图输入到第四下采样模块的最大池化层中，输出得到特征图6.根据权利要求5所述的基于多尺度注意力和自适应特征融合的心脏MRI分割方法，其特征在于：步骤e
‑
2)中第一下采样模块的DC块的第一卷积层、第二卷积层的卷积核大小均为3
×
3、步长均为1、填充均为1，最大池化层的卷积核大小为2
×
2；步骤e
‑
3)中第二下采样模块的DC块的第一卷积层、第二卷积层的卷积核大小均为3
×
3、步长均为1、填充均为1，最大池化层的卷积核大小为2
×
2；步骤e
‑
4)中第三下采样模块的DC块的第一卷积层、第二卷积层的卷积核大小均为3
×
3、步长均为1、填充均为1，最大池化层的卷积核大小为2
×
2；步骤e
‑
5)中第四下采样模块的DC块的第一卷积层、第二卷积层的卷积核大小均为3
×
3、步长均为1、填充均为1，最大池化层的卷积核大小为2
×
2。7.根据权利要求1所述的基于多尺度注意力和自适应特征融合的心脏MRI分割方法，其特征在于，步骤f)包括如下步骤：f
‑
1)分割网络模型的多尺度注意力模块MSA由金字塔注意力融合模块PAF、多尺度残差块MSR构成；f
‑
2)多尺度注意力模块MSA的金字塔注意力融合模块PAF由第一最大池化层、第一卷积层、第二最大池化层、第二卷积层、第一Sigmoid层、第三最大池化层、第三卷积层、第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层、第二Sigmoid层、第三Sigmoid层、第四卷积层构成，将特征图依次输入到金字塔注意力融合模块PAF的第一最大池化层、第一卷积层中，输出得到特征图将特征图依次输入到金字塔注意力融合模块PAF的第二最大池
化层、第二卷积层、第一Sigmoid层中，输出得到注意力图将特征图依次输入到金字塔注意力融合模块PAF的第三最大池化层、第三卷积层中，输出得到特征图将注意力图与特征图相乘到特征图将注意力图与特征图相乘得到特征图将特征图输入到金字塔注意力融合模块PAF的第一膨胀卷积层中，输出得到特征图将特征图输入到金字塔注意力融合模块PAF的第二膨胀卷积层中，输出得到特征图将特征图与特征图相加得到特征图将特征图输入到金字塔注意力融合模块PAF的第三膨胀卷积层中，输出得到特征图将特征图输入到金字塔注意力融合模块PAF的第二Sigmoid层中，输出得到注意力图将特征图输入到金字塔注意力融合模块PAF的第三Sigmoid层中，输出得到注意力图将注意力图与特征图相乘得到特征图将注意力图与特征图相乘得到特征图将特征图特征图特征图相加得到特征图将特征图输入到金字塔注意力融合模块PAF的第四卷积层中，输出得到特征图f
‑
3)多尺度注意力模块MSA的多尺度残差块MSR由卷积层、第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层、SE模块构成，将特征图输入到多尺度残差块MSR的卷积层中，输出得到特征图将特征图依次输入到多尺度残差块MSR的第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层中，输出得到特征图将特征图输入到多尺度残差块MSR的SE模块中，输出得到特征图将特征图特征图特征图相加得到特征图8.根据权利要求7所述的基于多尺度注意力和自适应特征融合的心脏MRI分割方法，其特征在于：步骤f
‑
2)中金字塔注意力融合模块PAF的第一最大池化...

【专利技术属性】
技术研发人员：陈长芳，张云，舒明雷，刘照阳，周书旺，单珂，徐鹏摇，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：