[发明专利]基于自注意力机制多尺度特征的右心室分割方法及装置

说明书

本说明书一个或多个实施例提供一种基于自注意力机制多尺度特征的右心室分割方法及装置，通过基于自注意力机制多尺度特征的右心室分割网络模型，提取心脏磁共振图像中的右心室特征；根据右心室特征，对待分割的心脏磁共振图像中的区域进行标记，得到右心室分割结果。本公开通过若干不同扩张速率的空洞卷积层，提取不同尺度的右心室的特征，基于自注意力机制，动态的在空间和通道维度上分段性聚焦右心室的特征，并通过集成骰子损失与加权交叉熵损失的复合损失函数，解决了右心室区域和背景区域不均衡的问题，提高了右心室分割的准确性以及效率。

技术领域

本说明书一个或多个实施例涉及图像分析技术领域，尤其涉及一种基于自注意力机制多尺度特征的右心室分割方法及装置。

背景技术

心脏核磁共振图像分析任务中，左心室是一个厚壁的圆柱型区域，形状较为规则易于分割，而右心室是一个不规则新月形的区域，较薄的心室壁有时会与周围的组织混在一起，对其精确的分割与左心室相比具有一定的难度。实践中，需要加倍的时间来确定右心室的体积，且结果比左心室具有的变异性。

使用传统的图像分割方法对右心室进行分割，有基于地图集、基于几何性质和基于先验模型等方法，然而，这些算法大多对心脏核磁共振图像中的图像噪声干扰和信号强度不均匀性重视不够，这无疑对分割结果的准确性造成影响。其中基于地图集和基于几何性质的方法，其分割性能依赖登记的质量，基于先科模型的方法依赖专业知识，并且鲁棒性和准确性较低。此外，传统分割方法的效率和准确性远低于人工分割，这主要是由于传统的分割模型是浅层模型，没有足够的复杂性来建模右心室的模糊边界、不规则空腔和复杂的新月形结构。

另外，心脏核磁共振图像中，大部分像素都属于背景，只有大约5.1％的像素是右心室腔的一部分，因此存在类别不平衡问题。这种不平衡问题会导致网络的训练效率低下，因为大多数特征信息都属于背景，在训练中提供给模型太多无用的背景信息，只有少数右心室信息参与模型的训练；此外，背景信息在数量上占极大优势，在训练过程中会使模型分割性能退化，无法识别和分割出右心室区域。所以，现有的右心室分割方案不能准确分割心脏磁共振图像中的右心室，且效率较低。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于自注意力机制多尺度特征的右心室分割方法及装置，以解决现有的右心室分割方案不能准确分割心脏磁共振图像中的右心室，且效率较低的问题。

基于上述目的，本说明书一个或多个实施例提供了一种基于自注意力机制多尺度特征的右心室分割方法，包括：

获取待分割的心脏磁共振图像；

通过预先获取的基于自注意力机制多尺度特征的右心室分割网络模型，提取所述心脏磁共振图像中的右心室特征；

根据所述右心室特征，对所述心脏磁共振图像中的区域进行标记，得到右心室分割结果。

可选的，所述通过预先获取的基于自注意力机制多尺度特征的右心室分割网络模型，提取所述心脏磁共振图像中的右心室特征，包括：

通过若干不同扩张速率的空洞卷积层，提取不同尺度的右心室原始特征；

对所述不同尺度的右心室原始特征进行组合，得到右心室组合特征；

对于所述右心室组合特征，通过自注意力机制，在空间维度上学习自注意力矩阵，得到右心室空间注意力特征；

对于所述右心室组合特征，通过自注意力机制，在通道维度上学习自注意力矩阵，得到右心室通道注意力特征；

将所述右心室空间注意力特征和所述右心室通道注意力特征进行组合，融入所述基于自注意力机制多尺度特征的右心室分割网络模型的特征提取和特征还原网络中，得到所述右心室特征。

可选的，所述对于所述右心室组合特征，通过自注意力机制，在空间维度上学习自注意力矩阵，得到右心室空间注意力特征，包括：