一种基于UCT‑UNet模型的心脏超声图像分割方法，涉及图像分割技术领域，在编码器的单元层上融合了Transformer模块，利用了Transformer的全局特性和卷积的局部特征优势来捕捉细节信息。解码器阶段通过不确定性引导Transformer块(UCTBlock)专注于通过不确定性估计来引导模型关注CNN难以准确分割的区域，进而建立全局依赖关系，减少局部特征与全局信息的功能重叠。这种方式有效避免了模型对复杂结构的错误分割，改善了特征融合，提高了分割的准确性。此外，通过在每个跳跃连接中加入特征提取模块FEM，增强了特征提取能力，进一步提高了模型的输出质量，最终提升了心脏超声图像的分割性能。
【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uct-unet模型的心脏超声图像分割方法。
技术介绍
1、心血管疾病是全球死亡率最高的疾病之一，超声心动图作为一种非侵入性、实时的影像学检查方法，在临床上对心脏功能评估和疾病诊治具有重要作用。然而，心脏超声图像分析仍面临挑战，如图像噪声、分辨率限制和低对比度等问题，导致心室和心肌分割任务复杂且困难。
2、传统的心脏超声图像处理方法依赖人工特征提取，虽然在一定程度上解决了图像分析问题，但由于过度依赖经验，存在主观性强和局限性明显的问题。随着深度学习，尤其是卷积神经网络(cnn)的发展，医学图像分割取得了显著进展。cnn能够通过自动学习特征来处理复杂的图像数据，但在处理心脏超声图像时，仍受到局部感受野和权重共享的限制，难以捕捉全局上下文信息，导致在细节和结构复杂的图像中容易出现误差。
3、近年来，transformer结构因其在建模全局上下文中的优势，成为计算机视觉领域的研究热点。与cnn不同，transformer能够通过自注意力机制捕获长距离的依赖关系，已在医学图像分割中显示出较强的性能。结本文档来自技高网...
【技术保护点】
1.一种基于UCT-UNet模型的心脏超声图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于UCT-UNet模型的心脏超声图像分割方法，其特征在于：步骤a)中CAMUS心脏分割超声图像数据集中获取N张心脏超声图像，N取值为500。
3.根据权利要求1所述的基于UCT-UNet模型的心脏超声图像分割方法，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UCT-UNet模型的心脏超声图像分割方法，其特征在于：步骤c)中将预处理后的心脏超声图像数据集L按6:2:2的比例划分为训练集、验证集、测试集。
>5.根据权利要求1...
【技术特征摘要】
1.一种基于uct-unet模型的心脏超声图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于uct-unet模型的心脏超声图像分割方法，其特征在于：步骤a)中camus心脏分割超声图像数据集中获取n张心脏超声图像，n取值为500。
3.根据权利要求1所述的基于uct-unet模型的心脏超声图像分割方法，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uct-unet模型的心脏超声图像分割方法，其特征在于：步骤c)中将预处理后的心脏超声图像数据集l按6:2:2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uct-unet模型的心脏超声图像分割方法，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uct-unet模型的心脏超声图像分割方法，其特征在于：步骤e-2)中第一双卷积块的第一卷积层及第二卷积层的卷积核大小均为3×3、padding均为1、步长均为1；步骤e-4)中第一最大池化层的卷积核大小为2×2；步骤e-5)中第二双卷积块的第一卷积层及第二卷积层的卷积核大小均为3×3、padding均为1、步长均为1；步骤e-7)中第二最大池化层的卷积核大小为2×2；步骤e-8)中第三双卷积块的第一卷积层及第二卷积层的卷积核大小均为3×3、padding均为1、步长均为1；步骤e-10)中第三最大池化层的卷积核大小为2×2；步骤e-11)中第四双卷积块的第一卷积层及第二卷积层的卷积核大小均为3×3、padding均为1、步长均为1；步骤e-13)中第四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uct-unet模型的心脏超声图像分割方法，其特征在于，步骤f)包括如下步骤：
8.根据权利要求7所述的基于uct-u...
【专利技术属性】
技术研发人员：陈长芳，李嘉柠，舒明雷，陈永健，刘照阳，徐鹏摇，张笑，胡家乐，王阿龙，
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。