【技术实现步骤摘要】
本专利技术涉及医学图像分割，特别涉及一种心脏图像的分割方法。
技术介绍
1、医学图像分割是诊断疾病和确定治疗方案的关键步骤，心脏图像分割通常包括左心室(lv)，心肌(myo)，右心室(rv)等器官的分割，深度学习在医学图像分割领域的应用显著地提升了分割的准确率。
2、目前，以u-net及其变体为代表的基于卷积神经网络的医学图像分割模型被广泛应用到各种医学图像分割任务。浅层神经网络输出的特征图通常被认为是低级特征，通常包含较高的分辨率和较少的语义信息，例如点、线和边等，称为低级语义信息。而深层网络往往包含较低的分辨率并且编码丰富的空间语义位置信息，称为高级语义信息。
3、上述现有技术存在的缺陷是：由于低级语义信息和高级语义信息之间存在差异，心脏图像分割过程中u-net和大多数u-net的变体特征信息融合起来的效率极低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种心脏图像的分割方法。
2、本专利技术实施例提供一种心脏图像的分割方法，包括：
3、获取心脏图像集；
4、构建改进的u-net模型；所述改进的u-net模型包括编码器模块和解码器模块，并在编码器模块和解码器模块之间的跳跃连接上增添一个语义嵌入分支模块；
5、将心脏图像集输入改进的u-net模型进行训练；
6、将待分割的心脏图像输入训练后改进的u-net模型中的编码器模块得到特征信息，语义嵌入分支模块向编码器模块输出的特征信息嵌入高
7、解码器模块对特征图进行上采样得到特征样本，跳跃连接增强特征样本的特征信息得到分割后的心脏图像。
8、另外的，将心脏图像集输入改进的u-net模型前需要进行预处理和数据增强；预处理为：
9、
10、其中，x为原图像，x'为归一化之后的图像，xmin为原图中像素的最小值，xmax为原图中像素的最大值；
11、数据增强包括：图片尺寸随机裁剪成224×224、水平翻转、垂直翻转、旋转、添加高斯噪声。
12、另外的，所述编码器模块由两个3×3的卷积层和残差连接组成，编码器模块公式为：
13、xl＝relu(bn(xl+relu(bn(conv(xl-1)))))
14、其中，xl为第l层编码器的输出特征，conv为3×3的卷积操作，bn为批量归一化操作，relu为relu激活函数。
15、另外的，所述语义嵌入分支模块嵌入高级语义信息用公式表示为：
16、
17、其中，xl为第l层编码器的输出特征，l为网络总层数，concat为按通道维度拼接操作，conv为3×3的卷积操作，upsample为双线性插值法上采样，为第l层增强后的特征。
18、另外的，所述解码器模块通过跳跃连接补偿丢失的特征信息用公式表示为：
19、
20、其中，yl为第l层解码器的输出，xl为第l层编码器生成的特征图，l表示网络总层数，表示第l层增强后的特征。
21、本专利技术实施例提供的上述一种心脏图像的分割方法，与现有技术相比，其有益效果如下：
22、本专利技术通过在编码器和解码器之间的跳跃连接上增添一个增强特征融合的语义嵌入分支模块，编码器模块得到特征信息，语义嵌入分支模块向编码器模块输出的特征信息嵌入高级语义信息得到特征图；解码器模块对特征图进行上采样得到特征样本，跳跃连接增强特征样本的特征信息得到分割后的心脏图像。其相比于现有技术，通过语义嵌入分支模块向编码器模块输出的特征信息嵌入高级语义信息，将编码器模块输出的特征信息中低级语义信息与高级语义信息相结合，补偿低级特征和高级特征之间的差异，从而提高心脏图像分割过程中变体特征信息的融合效率。
本文档来自技高网...【技术保护点】
1.一种心脏图像的分割方法，其特征在于，包括：
2.如权利要求1所述的一种心脏图像的分割方法，其特征在于，将心脏图像集输入改进的U-Net模型前需要进行预处理和数据增强；预处理为：
3.如权利要求1所述的一种心脏图像的分割方法，其特征在于，所述编码器模块由两个3×3的卷积层和残差连接组成，编码器模块公式为：
4.如权利要求1所述的一种心脏图像的分割方法，其特征在于，所述语义嵌入分支模块嵌入高级语义信息用公式表示为：
5.如权利要求1所述的一种心脏图像的分割方法，其特征在于，所述解码器模块通过跳跃连接补偿丢失的特征信息用公式表示为：
【技术特征摘要】
1.一种心脏图像的分割方法，其特征在于，包括：
2.如权利要求1所述的一种心脏图像的分割方法，其特征在于，将心脏图像集输入改进的u-net模型前需要进行预处理和数据增强；预处理为：
3.如权利要求1所述的一种心脏图像的分割方法，其特征在于，所述编码器模块由两个3×3的...
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。