[发明专利]一种基于改进U-Net型网络的心脏MRI分割方法

说明书

一种基于改进U‑Net型网络的心脏MRI分割方法，本发明公开了一种基于改进U‑Net型网络对心脏磁共振图像进行分割的方法，涉及图像分割技术领域，它的分割方法如下：首先进行镜像、图像翻转等预处理的操作，增大训练样本的数量，在编码器阶段每次池化后首先经过一个残差块，然后会经过一个降维的inception块，在跳跃连接的过程中引入了空间注意力模块以及通道注意力模块，其中通道注意力模块通过编码器和解码器对通道维度共同的作用，生成了具有增强上下文信息的精细编码器特征，从而提高了心脏磁共振图片分割的准确性。本发明应用于心脏磁共振图像的精准分割问题。

技术领域

本发明涉及医学图像处理技术领域，具体涉及一种基于改进的U-Net型网络的心脏MRI分割方法。

背景技术

心脏是人体最重要的器官之一，是循环系统中的主要器官，为血液流动提供动力。心血管疾病是全身性血管病变或系统性血管病变在心脏的表现，具有高发病率、高致残率、高死亡率的特点，己经成为人类最普遍的死亡原因。心脏功能分析在临床心脏病学中对患者管理、疾病诊断、风险评估和治疗决策发挥着重要作用，可以通过推导心室容积、卒中容积、射血分数和心肌质量等临床参数，定量分析整体和局部心脏功能。而上述这些参数主要是通过对心脏磁共振图像进行分析得到的，目前心脏磁共振图像的分割工作主要是由有经验的医生完成，这样会耗费大量的人力物力，并且很可能会因为注意力下降或疲劳等原因导致诊断效率低下，因此，临床上特别迫切需要快速、准确、自动化的心脏分割方法。

不仅左心室的形态、结构异常作为疾病诊断的重要依据，近年来很多心血管疾病(例如心律失常性有心事心肌病)的诊断也离不开右心室形态变化的观察，但是右心室由于心室壁薄使得内外莫边界极易混淆，并且由于肌小梁粗大等特点导致右心室的边缘检测难度远高于左心室。且心脏一直处于运动状态，其本身结构的复杂性更使得心室内部结构难以清楚识别和判断。而传统的图像分割算法需要大量的先验知识作为基础，并且对心脏磁共振图像进行分割的效果并不理想，因此传统的图像分割算法存在较为明显的局限性。本文在基于深度学习图像分割算法的基础上，对其进行改进以实现心脏磁共振图像的精确分割。本文提出了一种改进U-Net型网络的心脏MRI分割方法。主要是利用残差块和降维的inception块来代替基本的U-Net块来保证输出特征的表达能力，有助于缓解梯度消失的问题，并且增加了网络的宽度，提高了网络对不同尺度特征的适应性，同时引入一种新的通道注意力机制模块，利用解码器特性提供的全局上下文信息作为低级特征的指导，以选择有意义的上下文信息来指导和增强低级编码器特性，生成具有增强上下文信息的精细编码器特征，改进了编码器和解码器的连接过程，提高了分割模型网络的准确性。

发明内容

本发明的目的是为了解决心脏MRI分割的精确度问题，提出的一种改进U-Net型网络的MRI分割方法。

上述发明的目的主要是通过以下技术方案实现的：

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；

图2所示为本文提出的分割网络结构图，该分割网络由编码部分和解码部分组成，编码部分在每一次下采样之后首先通过一个如图3所示残差块，在增加网络深度的同时防止梯度消失，有利于更好的提取图像特征。然后通过一个如图4所示的降维的inception块，降维是为了避免输入inception块的通道数过多，在每个卷积操作之前都先经过一个1x1的卷积块来控制输入通道数量，降低了计算成本，同时增加了网络的宽度，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。