心脏二尖瓣医学影像分割模型、训练方法、分割方法及设备技术

本发明专利技术公开了一种心脏二尖瓣医学影像的分割模型、训练方法、分割方法及设备。所述分割模型基于DoubleU‑Net架构进行改进，其两个独立并串联的U‑Net网络都包含编码器和解码器；使用EfficientNetB7网络作为前端U‑Net网络的特征提取编码器；两个所述U‑Net网络提取特征后依次引入多核残差卷积（MKRC）模块、空洞空间卷积金字塔池化（ASPP）模块和混合三重注意力（TAG）模块；所述解码器的输入端引入三重注意力门（TAM）模块。所述分割模型训练采用混合损失函数，结合二元交叉熵损失和Dice损失，平衡了类别不平衡问题并提高了分割精度。本发明专利技术能够自动、精确地分割心脏及相关血管结构，从而解决现有技术中难以进行准确高效进行心脏二尖瓣图像分割的技术问题。

【技术实现步骤摘要】

本专利技术涉及医疗影像处理，更具体地，涉及一种心脏二尖瓣医学影像分割模型、训练方法、分割方法及设备。

技术介绍

1、心脏介入手术是治疗心血管疾病的重要手段。在心脏二尖瓣介入手术中，精确的医学影像分割对于手术导航和机器人操作至关重要。传统的分割方法依赖于手工标注和图像处理技术，这些方法耗时且精度有限。随着深度学习技术的发展，基于深度神经网络的医学影像分割方法展现出了优越的性能和潜力。

2、心脏二尖瓣影像分割面临着图像质量不佳和血管形态复杂两大主要挑战。图像质量方面，x射线造影图像存在大量噪声和伪影，血管与周围组织对比度低，光照不均匀，这些都影响分割的准确性和模型鲁棒性。血管形态方面，血管网络具有复杂的分支结构，血管直径、形状和走向各异，血管弯曲变形和血管重叠现象普遍存在，给分割带来很大困难。

3、基于阈值、边缘检测或区域生长的传统分割方法难以适应心脏介入手术影像数据的复杂性和多样性，分割精度不高，使得难以准确识别细微结构，而且计算资源消耗大使得处理速度慢且资源利用率低，对训练数据的依赖性强导致泛化能力差，对复杂背景和噪声的鲁棒性不足容本文档来自技高网...

【技术保护点】

1.心脏二尖瓣医学影像分割模型，其特征在于，基于DoubleU-Net架构进行改进，其两个独立并串联的U-Net网络都包含编码器和解码器；

2.根据权利要求1所述的心脏二尖瓣医学影像分割模型，其特征在于，所述EfficientNetB7 网络使用倒置瓶颈结构，并在瓶颈层中嵌入挤压和激励网络块。

3.根据权利要求1所述的心脏二尖瓣医学影像分割模型，其特征在于，所述多核残差卷积模块通过并行卷积层，采用不同的卷积核尺寸的特征图进行拼接；在每个卷积层之后，采用了批量归一化层和ReLU激活函数，以进一步优化特征表示；同时所述多核残差卷积模块增加了一个1×1的卷积层，其后接批...

【技术特征摘要】

1.心脏二尖瓣医学影像分割模型，其特征在于，基于doubleu-net架构进行改进，其两个独立并串联的u-net网络都包含编码器和解码器；

2.根据权利要求1所述的心脏二尖瓣医学影像分割模型，其特征在于，所述efficientnetb7 网络使用倒置瓶颈结构，并在瓶颈层中嵌入挤压和激励网络块。

3.根据权利要求1所述的心脏二尖瓣医学影像分割模型，其特征在于，所述多核残差卷积模块通过并行卷积层，采用不同的卷积核尺寸的特征图进行拼接；在每个卷积层之后，采用了批量归一化层和relu激活函数，以进一步优化特征表示；同时所述多核残差卷积模块增加了一个1×1的卷积层，其后接批量归一化和relu激活，以实现特征的进一步抽象和压缩；此外，所述多核残差卷积模块还引入了残差快捷连接，即恒等映射，通过1×1的卷积和批量归一化处理，与之前生成的特征图进行拼接。

4.根据权利要求1所述的心脏二尖瓣医学影像分割模型，其特征在于，所述空洞空间卷积金字塔池化模块整合挤压和激励网络。

5.根据权利要求1所述的心脏二尖瓣医学影像分割模型，其特征在于，所述混合三重注意力模块继承现有的cbam 和 focus u-net 的核心理念，还通过并行处理挤压和激励网络、通道注意力和空间注意力机制，实现了特征的深度融合与细化。

6.根据权利...

【专利技术属性】
技术研发人员：齐鹏，赵骥远，
申请(专利权)人：同济大学，
类型：发明
国别省市：