[发明专利]一种基于特征压缩和噪声抑制的心室图像分割方法

说明书

一种基于特征压缩和噪声抑制的心室图像分割方法，可以消除特征中的噪声特征，解决了噪声特征对网络学习的影响，间接强调了网络中的重要特征，使得网络的训练更加稳定。通过计算不同特征之间的相似度，选择相似度较高的若干通道进行特征融合，在保留原始特征的同时降低特征通道数量，大幅度的减少了整个网络的参数数量，使得网络的训练更加的简单和高效。

技术领域

本发明涉及医学影像处理技术领域，具体涉及一种基于特征压缩和噪声抑制的心室图像分割方法。

背景技术

《全球心血管疾病和危险因素负担1990-2019》显示，心血管疾病的发病率逐年上升，因心血管疾病死亡的人数占全球总死亡人数的三分之一，已经成为全球最大的死亡原因。而在心血管疾病的诊疗中，必须根据心脏图像准确得出心室的形状、体积等参数，辅助医生对疾病做出准确的判断。但是由于心脏影像数据量大且含有复杂的专业知识，因此，对心脏影像的准确解读非常困难。而且专业医师数量少且精力有限，很容易对心脏影像做出错误的判断。

在深度学习的网络设计中，研究人员通常会设计大量的中间特征以确保网络能够充分学习到数据的全部特征。但这种做法对网络学习能力的提升有限，并会带来两个严重的问题：1)大量的中间特征会导致模型的复杂度急剧上升，海量的参数使得网络的训练极其困难；2)庞大的中间特征存在非常多的噪声特征，严重阻碍网络的学习。

发明内容

本发明为了克服以上技术的不足，提供了一种可以在剔除噪声特征的同时还可以压缩特征的心室图像分割方法。

本发明克服其技术问题所采用的技术方案是：

一种基于特征压缩和噪声抑制的心室图像分割方法，包括如下步骤：

a)读取心室分割数据集中的心脏图像数据Image及与心脏图像数据Image对应的掩码Mask；

b)调整心脏图像数据Image和掩码Mask的形状后合并得到双通道矩阵matrix；

c)对双通道矩阵matrix执行N次剪裁，剪裁大小为M×M，对剪裁后的双通道矩阵matrix执行通道分解，得到M大小的心脏图像image和M大小的掩码mask各N张；

d)对N张心脏图像image分别进行归一化处理得到N张处理后的心脏图像img；

e)将N张处理后的心脏图像img和N张掩码mask划分为训练集、验证集和测试集；

f)计算机读取训练集和验证集中的心脏图像img和掩码mask，将读取的心脏图像img记作x，将读取的掩码mask记作y，完成训练数据的加载；

g)选择SGD作为优化器，优化器的初始学习率为0.001，并使用学习率自适应调整策略；

h)将x输入卷积层进行卷积运算，后输入BN层进行规范化处理，规范化处理后由ReLU激活函数进行激活；

i)重复执行步骤h)一次，得到特征图M，对特征图M使用池化核为2*2，stride为2的maxpool层进行特征下采样，得到下采样特征MP；

j)对下采样特征MP进行噪声抑制和特征融合后得到输出特征SM_index；

k)对输出特征SM_index使用若干卷积操作组计算得到特征图CSM_index；

l)对特征图CSM_index使用与步骤i)中的相同的maxpool层进行特征下采样，得到下采样特征MSM_index；

m)重复执行步骤j)至步骤l)3次后，再重复步骤j)至步骤k)，得到最终的输出特征FM；

n)使用DUC结构对FM进行处理，得到最终的分割输出