[发明专利]基于SAM与多层UDA的跨模态心脏分割方法

说明书

本发明提供了一种基于SAM与多层UDA的跨模态心脏分割方法，包括步骤：S1：建立分割网络模型，并利用建立的分割网络模型对图像进行特征提取；S2：利用空间注意力机制对提取特征的相关区域进行增强，对非相关区域进行抑制；S3：在整个分割网络提取特征的低层和高层分别添加多个特征域鉴别器，进行特征细粒度迁移。本发明在对抗域自适应网络的基础上引入空间注意力机制和多层域鉴别器，有效地将从源域和目标域提取的特征进行细粒度对齐。

技术领域

本发明涉及医学图像分割技术领域，具体涉及一种基于空间注意力机制与多层无监督领域自适应的跨模态心脏分割方法。

背景技术

心血管疾病具有高发病率和高死亡率的特点，居各种死因首位，对人们的生活造成严重威胁。尽管在心血管疾病的研究上付出了很大的努力，但心血管患者的存活率仍然很低。因此，及时诊断心血管患者对于更好的临床治疗规划和预后至关重要，有助于提高患者的生存率，提高患者的生活质量。心脏磁共振（CMR）和心脏CT作为心血管疾病无创分析工具，已被应用于全身各个系统的影像诊断。通过对CMR和CT影像中的心脏进行定性或定量分析，医生可以获得心脏的大小、形状、组织学特征和心脏内部的解剖结构等关键信息，从而评价治疗策略的成功与否。由于MR和CT图像量大，手工分割心脏耗时长，容易出现人为错误，限制了临床对心脏的精确定量测量和功能评估。因此，设计一种准确、高效、可靠的心脏分割方法引起了世界范围内的广泛关注。

近些年来，随着深度学习的兴起，以深度卷积神经网络为代表的监督学习已经在语义分割、图像分类、目标检测等计算机视觉和医学图像分析领域发挥出显著作用。虽然通过学习如何使用CNNs来量化医学图像已经取得了革命性的进展，但深度卷积神经网络主要应用于训练样本和测试样本来自概率分布一致且有大量标签数据的学习问题。然而，在实际的语义分割任务中，因为训练样本和测试样本概率分布出现不一致的情况，使得已建立的网络模型可能表现不佳，因此，CNNs的能力对于这样的分割任务是有限的。在特定于任务的数据集上进一步微调预先训练的网络的典型解决方案可能是不切实际的，因为收集足够多的标记数据来适当地微调相当数量的网络参数通常是非常昂贵的。

面对上述挑战，人们开始了领域自适应的研究。早期，人们通过最小化源域和目标域之间的距离度量，以调整不同域之间的分布，从而提高整体的分割性能。后来，随着对抗思想的兴起，不少学者在领域自适应研究中加入对抗思想，使得不同域数据空间分布相同。以上所述的方法主要是对源域和目标域的全局图像进行对齐。然而，图像的所有区域并不都需要转移的，例如，背景区域可能对跨域对齐的贡献不大或者不能迁移，如果强行对齐图片的所有区域可能会导致无关知识负迁移，从而造成分割效果欠佳。

发明内容

本发明要解决的技术问题是提供基于SAM（空间注意力机制）与多层UDA（无监督领域自适应）的跨模态心脏分割方法，在对抗域自适应网络的基础上引入空间注意力机制和多层域鉴别器，有效地将从源域和目标域提取的特征进行细粒度对齐。

本发明的内容包括：

一种基于SAM与多层UDA的跨模态心脏分割方法，包括以下步骤：

S1：建立分割网络模型，并利用建立的分割网络模型对图像进行特征提取；

S2：利用空间注意力机制对提取特征的相关区域进行增强，对非相关区域进行抑制；

S3：在整个分割网络提取特征的低层和高层分别添加多个特征域鉴别器，进行特征细粒度迁移。

进一步的，所述步骤S1具体包括以下步骤：

S1-1：分割网络主干采用SFCNN结构，建立对称衔接的分割网络模型，其由一个粗化层、一个适配器块层和一个细化层组成；