[发明专利]一种基于深度学习的Lv-net的医学图像分割方法

权利要求书

1.一种基于深度学习的Lv-net的医学图像分割方法，具体方法如下：使用基于SEA-Unet的心脏图像分割方法，包括下列步骤：

S1、数据收集：收集相关的心脏公共数据集，所述数据集中包含MR和CT图像，将数据集中图像进行整理形成数据集用于模型的训练和测试；

S2、进行数据预处理：预处理包括归一化、数据切割、统一数据尺度大小，用于保证模型训练效果；

S3、进行分割模型：采用深度学习相关技术搭建分割模型，输入训练数据，完成参数模型的搭建；

S4、模型保存：当模型的损失函数不再降低之后，保存模型；

S5、性能评估：利用相关的评价指标评估模型生成的样本效果；

其特征在于，所述数据收集中心脏MR图像数据集标签分为三类：背景、心肌与心室，将心肌内膜作为单独标签使用；

所述进行分割模型中的编码器的CNN卷积核为全局与邻近上下文自注意力模块；

所述进行分割模型中的解码器分别进行不同倍数上采样，后接结残差层级注意力模块进行特征融合，所述上采样与跳跃连接之后，使用1×1卷积、3×3卷积和5×5卷积核构成多尺度特征模块；

所述模型保存中的损失函数由Hausdorff Distance损失函数与Dice损失函数组成。

2.根据权利要求1所述的一种基于深度学习的Lv-net的医学图像分割方法，其特征在于，所述Hausdorff distance损失函数是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式：假设有两组集合A＝{a1,…,ap},B＝{b1,…,bq}，则这两个点集合之间的Hausdorff distance定义为：

H(A,B)＝max(h(A,B),h(B,A))