【技术实现步骤摘要】
本专利技术涉及图像分割，具体涉及一种基于边缘特征增强的心脏mri图像分割方法。
技术介绍
1、心脏图像分割在医学影像处理中具有重要意义，它为医生提供了对心脏结构和功能的精确定量分析，然而，由于心脏图像本身的复杂性和噪声干扰的存在，现有的图像分割方法往往难以准确地提取心脏轮廓和内部结构。
2、最常见的心脏mri的分割方法主要有传统方法分割法以及基于深度学习的分割法，传统分割方法方式包括阈值处理、基于边缘和区域的处理和模型法等方法。这些方法需要依靠大量的专业知识以及细致的判断标准才能达到良好的准确性。在实际应用中具有依赖性和局限性。深度学习的方法虽然具有许多优势，但也存在一些不足之处，例如数据需求量大，边界模糊，边缘特征不清晰，分割过程中的噪声和伪影，泛化性偌等问题。因此，需要考虑如何在有限的数据集上获得更高的分割精度。
技术实现思路
1、本专利技术为了克服以上技术的不足，提供了一种提高图像分割精度的基于边缘特征增强的心脏mri图像分割方法。
2、本专利技术克服其技术问题所采用的技术方案是：
3、一种基于边缘特征增强的心脏mri图像分割方法，包括如下步骤：
4、a)获取n个心脏mri图像数据，得到心脏mri图像数据集s，s＝{s1,s2,...,si,...,sn}，si为第i个心脏mri图像数据，i∈{1,…,n}；
5、b)将第i个心脏mri图像数据si进行预处理，得到预处理后的第i个心脏mri图像数据ti，预处理后的心脏
6、c)将预处理后的心脏mri图像数据集t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心脏mri图像数据沿z轴切片，得到x个切片图像，第i个切片图像为fi，i∈{1,...,x}，将测试集中的各个预处理后的图像沿z轴切片，得到y个切片图像，第j个切片图像为fj，j∈{1,...,y}；
7、d)建立u型分割网络模型，u型分割网络模型由编码器、解码器构成；
8、e)u型分割网络模型的编码器由第一分支、第二分支、拼接模块sm构成，将训练集中的第i个切片图像为fi输入到编码器的第一分支中，输出得到特征图训练集中的第i个切片图像为fi输入到编码器的第二分支中，输出得到特征图将特征图和特征图输入到编码器的拼接模块sm中，输出得到特征图fc1；
9、f)将特征图fc1输入到u型分割网络模型的解码器中，输出得到分割图像fc9；
10、g)训练u型分割网络模型，得到优化后的u型分割网络模型；
11、h)将测试集中第j个切片图像fj输入到优化后的u型分割网络模型中，得到分割图像f′c9。
12、进一步的，步骤a)中从自动心脏诊断挑战赛acdc数据库中获取n个心脏mri图像数据。
13、进一步的，步骤b)包括如下步骤：
14、b-1)第i张mri图像数据si沿z轴切片，将切割的若干切片进行x轴方向的像素间距为1.5、y轴方向的像素间距为1.5的重采样操作；
15、b-2)将重采样操作后的切片进行中心剪裁，剪裁后的切片的大小为224×224；
16、b-3)将剪裁后的各个切片堆叠重新恢复为心脏mri图像数据s′i；
17、b-4)将心脏mri图像数据s′i以0.4的概率沿水平轴或垂直轴进行翻转，翻转角度为45度，得到旋转后的心脏mri图像数据；
18、b-5)将旋转后的心脏mri图像数据进行zero-mn零均值化处理，得到预处理后的第i个心脏mri图像数据ti.
19、进一步的，步骤c)中将预处理后的心脏mri图像数据集t按照7:1:2的比例划分为训练集、验证集、测试集。
20、进一步的，步骤e)包括如下步骤：
21、e-1)编码器的第一分支由第一特征复用模块fmb、第一下采样块、第二特征复用模块fmb、第二下采样块、第三特征复用模块fmb、第三下采样块、第四特征复用模块fmb构成；
22、e-2)编码器的第一分支的第一特征复用模块fmb由第一分支、第二分支、第三分支、第一卷积层、第二卷积层、第一relu激活函数、第三卷积层、第四卷积层、第二relu激活函数、第五卷积层、dropout层构成，第一特征复用模块fmb的第一分支依次由第一卷积层、第一relu激活函数、第二卷积层、第二relu激活函数、dropout层、bn层构成，将训练集中的第i个切片图像fi输入到第一特征复用模块fmb的第一分支中，输出得到特征图第一特征复用模块fmb的第二分支依次由第一卷积层、第一relu激活函数、第二卷积层、第二relu激活函数、dropout层、bn层构成，将训练集中的第i个切片图像fi输入到第一特征复用模块fmb的第二分支中，输出得到特征图第一特征复用模块fmb的第三分支依次由空洞卷积层、卷积层、bn层、relu激活函数构成，将训练集中的第i个切片图像fi输入到第一特征复用模块fmb的第三分支中，输出得到特征图将训练集中的第i个切片图像fi与特征图进行拼接操作，得到特征图将训练集中的第i个切片图像fi与特征图进行拼接操作，得到特征图将特征图依次输入到第一特征复用模块fmb的第一卷积层、第二卷积层、第一relu激活函数中，输出得到特征图将特征图依次输入到第一特征复用模块fmb的第三卷积层、第四卷积层、第二relu激活函数中，输出得到特征图将特征图与特征图进行拼接操作后一次输入到第一特征复用模块fmb的第五卷积层、dropout层中，输出得到特征图
23、e-3)编码器的第一分支的第一下采样块依次由relu激活函数、bn层、平均池化层构成，将特征图输入到第一下采样块中，输出得到特征图e-4)编码器的第一分支的第二特征复用模块fmb由第一分支、第二分支、第三分支、第一卷积层、第二卷积层、第一relu激活函数、第三卷积层、第四卷积层、第二relu激活函数、第五卷积层、dropout层构成，第二特征复用模块fmb的第一分支依次由第一卷积层、第一relu激活函数、第二卷积层、第二relu激活函数、dropout层、bn层构成，将特征图输入到第二特征复用模块fmb的第一分支中，输出得到特征图第二特征复用模块fmb的第二分支依次由第一卷积层、第一relu激活函数、第二卷积层、第二relu激活函数、dropout层、bn层构成，将特征图输入到第二特征复用模块fmb的第二分支中，输出得到特征图第二特征复用模块fmb的第三分支依次由空洞卷积层、卷积层、bn层、relu激活函数构成，将特征图输入到第二特征复用模块fmb的第三分支中，输出得到特征图将特征图与特征图进行拼接操作，得到特征图将特征图与特征图进行拼接操作，得到特征图将特征图依次输入到第二特征复用模块fmb的第一卷积层、第二卷积层、第一relu激活函数中，输出得到特征图将特征图依次输入到第二特征复用模块fmb的第三卷积层、第四卷积层、第二relu激活函数中，本文档来自技高网...
【技术保护点】
1.一种基于边缘特征增强的心脏MRI图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于边缘特征增强的心脏MRI图像分割方法，其特征在于：步骤a)中从自动心脏诊断挑战赛ACDC数据库中获取N个心脏MRI图像数据。
3.根据权利要求1所述的基于边缘特征增强的心脏MRI图像分割方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求1所述的基于边缘特征增强的心脏MRI图像分割方法，其特征在于：步骤c)中将预处理后的心脏MRI图像数据集T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所述的基于边缘特征增强的心脏MRI图像分割方法，其特征在于，步骤e)包括如下步骤：
6.根据权利要求5所述的基于边缘特征增强的心脏MRI图像分割方法，其特征在于：第一特征复用模块FMB、第二特征复用模块FMB、第三特征复用模块FMB、第四特征复用模块FMB的第一分支的第一卷积层的卷积核大小均为3×3、padding＝1、stride＝1，第一特征复用模块FMB、第二特征复用模块FMB、第三特征复用模块FM
7.根据权利要求5所述的基于边缘特征增强的心脏MRI图像分割方法，其特征在于：步骤e-2)中第一特征复用模块FMB的第三分支的卷积层输出的特征图的每一个权重都乘以6，第一特征复用模块FMB的第四卷积层输出的特征图的每一个权重都乘以4；步骤e-4)中第二特征复用模块FMB的第三分支的卷积层输出的特征图的每一个权重都乘以6，第一特征复用模块FMB的第四卷积层输出的特征图的每一个权重都乘以4；步骤e-6)中第三特征复用模块FMB的第三分支的卷积层输出的特征图的每一个权重都乘以6，第一特征复用模块FMB的第四卷积层输出的特征图的每一个权重都乘以4；步骤e-8)中第四特征复用模块FMB的第三分支的卷积层输出的特征图的每一个权重都乘以6，第一特征复用模块FMB的第四卷积层输出的特征图的每一个权重都乘以4。
8.根据权利要求1所述的基于边缘特征增强的心脏MRI图像分割方法，其特征在于，步骤f)包括如下步骤：
9.根据权利要求7所述的基于边缘特征增强的心脏MRI图像分割方法，其特征在于：步骤f-2)中解码器的第一卷积层的卷积核大小为3×3；步骤f-4)中第一分支的卷积层的卷积核大小为3×3，第一分支的Dropout层的概率为0.2，扩张率为1，第二分支的卷积层的卷积...
【技术特征摘要】
1.一种基于边缘特征增强的心脏mri图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于边缘特征增强的心脏mri图像分割方法，其特征在于：步骤a)中从自动心脏诊断挑战赛acdc数据库中获取n个心脏mri图像数据。
3.根据权利要求1所述的基于边缘特征增强的心脏mri图像分割方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求1所述的基于边缘特征增强的心脏mri图像分割方法，其特征在于：步骤c)中将预处理后的心脏mri图像数据集t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所述的基于边缘特征增强的心脏mri图像分割方法，其特征在于，步骤e)包括如下步骤：
6.根据权利要求5所述的基于边缘特征增强的心脏mri图像分割方法，其特征在于：第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第一分支的第一卷积层的卷积核大小均为3×3、padding＝1、stride＝1，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第一分支的第二卷积层的卷积核大小均为3×3，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第一分支的dropout层的概率均为0.2、padding＝1、stride＝1，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第二分支的第一卷积层的卷积核大小均为3×3、padding＝1、stride＝1，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第二分支的第二卷积层的卷积核大小均为3×3，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第二分支的dropout层的概率均为0.2、padding＝1、stride＝1，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第三分支的卷积层的卷积核大小均为3×3、padding＝1、stride＝1，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第一卷积层的积层的卷积核大小均为1×1、padding＝0、stride＝0，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第二卷积层的积层的卷积核大小均为3×3、padding＝1、stride＝1，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第三卷积层的积层的卷积核大小均为1×1、padding＝0、stride＝0，第一特征复用模块fmb、第二特征复用模块fmb、第三特征复用模块fmb、第四特征复用模块fmb的第四卷积层的积层的卷积核大小均为3×3、padding＝1、stride＝1，第一卷积块的卷积层的卷积核大小为3×3、padding＝0、步长为0，第二卷积块的卷积层的卷积核大小为3×3、padding＝...
【专利技术属性】
技术研发人员：陈长芳，刘亚鑫，舒明雷，孔祥龙，刘照阳，朱喆，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。