[发明专利]一种基于深度学习的Lv-net的医学图像分割方法

说明书

本发明提供一种基于深度学习的Lv‑net的医学图像分割方法，使用基于SEA‑Unet的心脏图像分割方法，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；编码器的CNN卷积核为全局与邻近上下文自注意力模块；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，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；损失函数由Hausdorff Distance损失函数与Dice损失函数组成。有益效果：使得医学图像分割方法能够实现对心肌图像精确分割。

技术领域

本发明涉及深度学习医学图像分割技术领域，具体涉及一种基于深度学习的Lv-net的医学图像分割方法。

背景技术

心血管疾病是当今高发、高危疾病，根据世界卫生组织最新报道，每年因心血管疾病去世的人数占全球死亡疾病死亡人数的31％。医学影响辅助诊断是心血管疾病诊断中非常重要的一环，通过心肌的分割结果，可以方面的对心脏疾病进行诊断。相较于其他医学影像，心脏是不停运作的器官，其形状也在运动过程中发生变化，这给心脏图像分割带来巨大挑战。传统的机器学习方法主要分为以下几种，水平集分割算法，区域生长分割算法，阈值分割算法，但是这些方法需要利用先验知识，通过手工选取初始轮廓，起准确性依赖工作人员的专业程度，不仅费时费力，而且效率低下。由于人工智能技术发展及计算机硬件性能不断提升，深度学习技术广泛应用于各个行业，当前使用深度学习的方法分割是主流分割方法，其中，最为常用的分割方法为Unet分割方法。UNet是一个Encoder-Decoder结构，前半部分为特征提取，后半部分为上采样恢复原图形状，Encoder由卷积操作和下采样操作组成，所用卷积结构统一为3x3的卷积核，Decoder关键步骤是上采样与跳跃层连接，上采样用于恢复特征图的原始分辨率，跳跃连接用于关注图像的深层信息和浅层信息的结合。大量实验证明UNet能够在心脏MR图像上获得较好的分割效果，但是UNet仍有部分不足：心脏MR图像分辨率较低，受噪声影响较大，浅层信息与深层信息都很重要，且心肌内膜受内部细胞干扰明显，从而使得Unet分割方法难以实现对心肌图像精确分割。

发明内容

为全面解决上述问题，尤其是针对现有技术所存在的不足，本发明提供了一种基于深度学习的Lv-net的医学图像分割方法能够全面解决上述问题。

为实现上述目的，本发明采用以下技术手段：

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；

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。