[发明专利]距离正则水平集与卷积神经网络的左心室MRI图像分割方法

权利要求书

1.一种距离正则水平集与卷积神经网络的左心室MRI图像分割方法，其特征在步骤如下：

第一步，构建融合距离正则水平集与稠密神经网络架构模型；首先建立一个稠密层，然后将经稠密层输出得到的通道特征作为水平集初始化能量函数输入两个演化方向不同的距离正则水平集；最后，在将两个水平集加权相加并与之前稠密层输出的特征做融合处理后，作用于交叉熵损失函数，采用Adam算法更新梯度；加权相加处理的具体步骤如下：

第一步，将两个演化方向不同的距离正则水平集得到的特征图像做二值化处理，使得目标区域的值为1，背景部分为0；

第二步，将这两个距离正则水平集得出的二值图赋予不同的权重；

第三步，将它们通过以下公式合并成一个概率图LS_r：

LS_r＝R_max＝1(LS_i*w_i+LS_o*w_o)

其中LS_i和LS_o分别表示向内演化和向外演化的距离正则水平集；w_i和w_o表示相关水平集的权重；LS_r表示目标预测概率图；R表示最大值为1的ReLU激活函数；

特征融合公式如下所示：

Output＝H_1*1(H_3*3([X₀，X₁，…，X_l-1，D，LS_r]))

其中X_l表示各个稠密块输出的图像特征，D表示稠密层输出的图像特征，H_n*n表示卷积核大小为n*n的卷积层；最终输出结果为有关原始数据图像的概率图，其中数值大于0.5的像素即该模型预测的目标区域；

第二步，选取二维左心室MR图像数据集以及对应的分割标签作为训练神经网络模型的样本数据集，挑选该样本数据集中的一组图片和对应标签，同时做随机的旋转、缩放、平移和裁剪处理，并重新调整图像顺序将其合成两份三维数据包：一份存MR图片，一份存对应的标签；

第三步，将两份重构的MR三维数据包作为训练神经网络模型的数据样本输入神经网络模型，设置迭代次数，开始训练神经网络模型；

第四步，将非训练样本的左心室MR图像输入到模型预测函数，加载训练好的神经网络模型，得到最终的分割结果。

2.根据权利要求1所述的距离正则水平集与卷积神经网络的左心室MRI图像分割方法，其特征在于：所述稠密层由三个稠密块组成,每个稠密块由4个阻碍层组成，每个阻碍层由2个卷积层组成；每个卷积层对数据进行卷积操作，并采用扩展卷积计算数据，每经过一层卷积层时增大自身2倍的膨胀率；每个稠密块之间另有一个卷积核为1*1的转换层，每个转换层用密集连接的方式将之前所有稠密块输出的特征通道连结起来作为输入，并把该块输出输送给之后的所有稠密块。