[发明专利]一种基于改进U-Net型网络的心脏MRI分割方法

权利要求书

1.一种基于双边分割网络的细胞核分割方法，其特征在于，包含如下步骤：

S1、对心脏MRI图片和标注图片进行图像预处理的操作；

S2、将进行预处理后的心脏MRI及其专家标注图片分为训练集、验证集和测试集；

S3、搭建分割网络结构；

S4、利用S2中得到的训练集，依批次输入分割网络，进行训练；

S5、用二元交叉熵损失函数来计算预测结果与真实标签之间的损失，进行反向传播更新权重；

S6、在每次训练结束时，用验证集评估从S3中得到的模型并保存评估结果最好的模型；

S7、利用S2中得到的测试集，输入至S6中评估结果最好的模型进行分割，得到预测图片；

S8、用Dice相似系数作为评价标准来对分割效果进行评估。

2.如权利要求1所述的一种基于深度学习的心脏MRI分割方法，其特征在于，步骤S3中所述的分割网络中将U-Net引入了一种新的通道注意力模块，由于低级编码器特征包含较差的语义信息，而高级解码器特征包含丰富的语义信息，通过编码器和解码器同一层级的特征图共同输入通道注意力模块，生成了具有增强上下文信息的精细的编码器特征，增强了分割效果的准确性；

在原始U-Net网络中，编码部分是由3×3卷积(RELU)再加上一个2x2的maxpooling层组成一个下采样的模块，一共经过4次这样的操作，本发明中每一层都用一个残差块和一个inception块，既增加了网络的深度且解决了梯度消失的问题，同时又增加了网络的宽度，从而提高了网络对不同尺度特征的适应性，提升了网络性能；

在原始U-Net网络中，解码部分是由up-conv2x2和3×3卷积(RELU)层组成，本发明将上采样后的特征图与编码器阶段经过空间注意力模块得到的特征图以及通道注意力机制得到的特征图进行拼接，然后经过一个残差块，最后进行上采样，直至上采样至原始图像大小；在通道注意力模块中，在跳跃连接之前经过高级语义信息对编码器阶段低级语义信息的指导，能够更好的实现给重要通道赋予大的权重，忽略不重要的通道，从而提高了分割的精度。

3.如权利要求1所述的一种基于改进U-Net型网络的心脏MRI分割方法，其特征在于，步骤S4中所述的二元交叉熵损失函数的计算公式如下：

式中y为真实标签，为预测结果；二元交叉熵损失函数适用于二分类问题。