CN116612131B - 一种基于ADC-UNet模型的心脏MRI结构分割方法 - Google Patents

一种基于ADC-UNet模型的心脏MRI结构分割方法 Download PDF

Info

Publication number
CN116612131B
CN116612131B CN202310577145.7A CN202310577145A CN116612131B CN 116612131 B CN116612131 B CN 116612131B CN 202310577145 A CN202310577145 A CN 202310577145A CN 116612131 B CN116612131 B CN 116612131B
Authority
CN
China
Prior art keywords
layer
convolution
characteristic diagram
convolution layer
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310577145.7A
Other languages
English (en)
Other versions
CN116612131A (zh
Inventor
陈长芳
翟纯琳
舒明雷
刘照阳
陈永健
陈哲
高天雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Qingdao Hisense Medical Equipment Co Ltd
Shandong Institute of Artificial Intelligence
Original Assignee
Qilu University of Technology
Qingdao Hisense Medical Equipment Co Ltd
Shandong Institute of Artificial Intelligence
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology, Qingdao Hisense Medical Equipment Co Ltd, Shandong Institute of Artificial Intelligence filed Critical Qilu University of Technology
Priority to CN202310577145.7A priority Critical patent/CN116612131B/zh
Publication of CN116612131A publication Critical patent/CN116612131A/zh
Application granted granted Critical
Publication of CN116612131B publication Critical patent/CN116612131B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Processing (AREA)

Abstract

一种基于ADC‑UNet模型的心脏MRI结构分割方法，通过将注意力模块和跳跃连接相结合，在处理输入特征时抑制不相关的区域，同时突出显著特征。可变形卷积融合模块添加到解码器部分，充分利用目标切片融合特征中的有用信息，确保每个分割图的精确连续边界，可以更好地处理图像中不同尺度的特征，从而获得更精确的分割结果。

Description

一种基于ADC-UNet模型的心脏MRI结构分割方法
技术领域
本发明涉及图像分割技术领域，具体涉及一种基于ADC-UNet模型的心脏MRI结构分割方法。
背景技术
许多的研究人员在过去的几十年里一直致力于研究人类心脏结构的分割算法，特别是针对心肌、左心房和左心室的部分。随着技术的发展，MRI、CT、US等现代医学成像技术被广泛的应用，在这些技术的帮助下，可以更方便地评估心脏的结构和功能。其中MRI的高测量精度使其成为评估心脏结构和功能的理想技术，通过利用不同的成像序列，心脏结构和功能能够被心脏MRI精确地量化。因此，心脏MRI是目前最准确的测量心脏结构和功能的方法。
虽然现在国内外已经有了许多关于心脏半自动、自动分割算法的研究发表，但是仍然还存在很多需要被改进的地方，例如不能很好地捕获不同尺度特征之间的相关性、背景信息对前景分割的干扰等。除此之外，由于边界模糊、成像的强度不均匀以及心脏结构之间的形状变化较大，使得3D心脏MRI分割比较困难，需要算法具备更高的要求。因此，心脏MRI分割算法仍存在很大的发展空间，需要更高的技术和创新来实现精确的分割。
发明内容
本发明为了克服以上技术的不足，提供了一种可以获得精确分割结果的心脏MRI结构分割方法。
本发明克服其技术问题所采用的技术方案是：
一种基于ADC-UNet模型的心脏MRI结构分割方法，包括如下步骤：
a)获取由N组心脏MRI图像数据的数据集X，X＝{X1,X2,...,Xi,...,XN}，Xi为第i张心脏MRI图像数据，i∈{1,...,N}；
b)将数据集X进行预处理，得到预处理后的数据集X′；
c)将预处理后的数据集X′划分为训练集、验证集、测试集；
d)将训练集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到M个切片图像，第i个切片图像为Fi，i∈{1,...,M}；
e)建立ADC-UNet网络模型，ADC-UNet网络模型由编码器和解码器构成；
f)将第i个切片图像Fi输入到ADC-UNet网络模型的编码器中，输出得到特征图A5-i；
g)将特征图A5-i输入到ADC-UNet网络模型的解码器中，输出得到融合特征图C1-i；
h)将融合特征图C1-i输入到Softmax函数中，输出得到分割结果图像P1-i；
i)训练ADC-UNet网络模型，得到优化后的ADC-UNet网络模型；
j)将测试集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到Q个切片图像，第i个切片图像为Fi′，i∈{1,...,Q}；
k)将第i个切片图像Fi′输入到优化后的ADC-UNet网络模型中，输出得到分割结果图像P′1-i。
优选的，步骤a)中从2017ACDC数据集中获取100组来自8个不同数据集的病人的心脏MRI图像数据，步骤d)中M取值为1312；步骤j)中Q取值为380。
进一步的，步骤b)包括如下步骤：
b-1)利用numpy库中的GetArrayFromImage()函数将第i张心脏MRI图像数据Xi转化为Numpy数组，将转换为Numpy数组的第i张心脏MRI图像数据沿Z轴方向切为若干2D切片；
b-2)将每个2D切片进行重采样，得到像素间距为(1.5,1.5)的新2D图像，将每个新2D图像进行进行中心剪裁，得到大小为256×256的剪裁后的2D图像，将各个剪裁后的2D图像堆叠起来，恢复成为3D图像Numpy数组，将3D图像Numpy数组利用numpy库中的GetArrayFromArray()函数转化回心脏MRI图像数据
b-3)将心脏MRI图像数据以0.5的概率沿水平轴或垂直轴进行翻转，随机旋转90度，得到旋转后的图像；
b-4)将旋转后的图像进行z-score标准化，得到预处理后的第i张心脏MRI图像数据X′i，各个预处理后的心脏MRI图像数据构成预处理后的数据集X′，X′＝{X′1,X′2,...,X′i,...,X′N}。
优选的，步骤c)中将预处理后的数据集X′按7:1:2的比例划分为训练集、验证集、测试集。
进一步的，步骤f)包括如下步骤：
f-1)ADC-UNet网络模型的编码器由第一双卷积激活模块、第一最大池化层、第二双卷积激活模块、第二最大池化层、第三双卷积激活模块、第三最大池化层、第四双卷积激活模块、第四最大池化层、第五双卷积激活模块构成；
f-2)编码器的第一双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将第i个切片图像Fi输入到第一双卷积激活模块中，输出得到特征图A1-i，将特征图A1-i输入到编码器的第一最大池化层中，输出得到特征图A′1-i；
f-3)编码器的第二双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A′1-i输入到第二双卷积激活模块中，输出得到特征图A2-i，将特征图A2-i输入到编码器的第二最大池化层中，输出得到特征图A′2-i；
f-4)编码器的第三双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A′2-i输入到第三双卷积激活模块中，输出得到特征图A3-i，将特征图A3-i输入到编码器的第三最大池化层中，输出得到特征图A′3-i；
f-5)编码器的第四双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A3′-i输入到第四双卷积激活模块中，输出得到特征图A4-i，将特征图A4-i输入到编码器的第四最大池化层中，输出得到特征图A4′-i；
f-6)编码器的第五双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A4′-i输入到第五双卷积激活模块中，输出得到特征图A5-i。
优选的，步骤f-2)中第一双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第一最大池化层的步幅为2，池化核大小为2×2；步骤f-3)中第二双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第二最大池化层的步幅为2，池化核大小为2×2；步骤f-4)中第三双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第三最大池化层的步幅为2，池化核大小为2×2；步骤f-5)中第四双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第四最大池化层的步幅为2，池化核大小为2×2；步骤f-6)中第五双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3。
进一步的，步骤g)包括如下步骤：
g-1)ADC-UNet网络模型的解码器由第一上采样层、第一α-模块、第一可变形融合模块、第二上采样层、第二α-模块、第二可变形融合模块、第三上采样层、第三α-模块、第三可变形融合模块、第四上采样层、第四α-模块、第四可变形融合模块构成；
g-2)将特征图A5-i输入到解码器的第一上采样层中，输出得到特征图B4-i，解码的第一α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A4-i输入到第一α-模块的第一卷积层中，输出得到特征图WaA4-i，将特征图B4-i输入到第一α-模块的第二卷积层中，输出得到特征图WbB4-i，将特征图WaA4-i与特征图与特征图WbB4-i逐元素相加后依次输入到第一α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α4-i，将注意力系数α4-i输入到第一α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′4-i，使用插值后的注意力系数α′4-i对特征图B4-i加权得到特征图将特征图A4-i与特征图/>沿Z轴进行拼接操作，得到特征图/>g-3)解码器的第一可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图/>输入到第一卷积层中，输出得到特征图/>将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ4-i，将特征图B4-i与带有学习偏移的特征图Δ4-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D4-i，将特征图D4-i输入到膨胀卷积层中，输出得到特征图D′4-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′4-i与特征图D4-i进行残差连接，得到特征图D″4-i，将特征图D″4-i输入到第四卷积层中，输出得到融合特征图C4-i；
g-4)将融合特征图C4-i输入到解码器的第二上采样层中，输出得到特征图B3-i，解码的第二α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A3-i输入到第二α-模块的第一卷积层中，输出得到特征图WaA3-i，将特征图B3-i输入到第二α-模块的第二卷积层中，输出得到特征图WbB3-i，将特征图WaA3-i与特征图与特征图WbB3-i逐元素相加后依次输入到第二α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α3-i，将注意力系数α3-i输入到第二α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′3-i，使用插值后的注意力系数α′3-i对特征图B3-i加权得到特征图将特征图A3-i与特征图沿Z轴进行拼接操作，得到特征图/>
g-5)解码器的第二可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ3-i，将特征图B3-i与带有学习偏移的特征图Δ3-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D3-i，将特征图D3-i输入到膨胀卷积层中，输出得到特征图D′3-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′3-i与特征图D3-i进行残差连接，得到特征图D″3-i，将特征图D″3-i输入到第四卷积层中，输出得到融合特征图C3-i；
g-6)将融合特征图C3-i输入到解码器的第三上采样层中，输出得到特征图B2-i，解码的第三α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A2-i输入到第三α-模块的第一卷积层中，输出得到特征图WaA2-i，将特征图B2-i输入到第三α-模块的第二卷积层中，输出得到特征图WbB2-i，将特征图WaA2-i与特征图与特征图WbB2-i逐元素相加后依次输入到第三α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α2-i，将注意力系数α2-i输入到第三α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′2-i，使用插值后的注意力系数α′2-i对特征图B2-i加权得到特征图将特征图A2-i与特征图沿Z轴进行拼接操作，得到特征图/>
g-7)解码器的第三可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ2-i，将特征图B2-i与带有学习偏移的特征图Δ2-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D2-i，将特征图D2-i输入到膨胀卷积层中，输出得到特征图D′2-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′2-i与特征图D2-i进行残差连接，得到特征图D″2-i，将特征图D″2-i输入到第四卷积层中，输出得到融合特征图C2-i；
g-8)将融合特征图C2-i输入到解码器的第四上采样层中，输出得到特征图B1-i，解码的第四α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A1-i输入到第四α-模块的第一卷积层中，输出得到特征图WaA1-i，将特征图B1-i输入到第四α-模块的第二卷积层中，输出得到特征图WbB1-i，将特征图WaA1-i与特征图与特征图WbB1-i逐元素相加后依次输入到第四α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α1-i，将注意力系数α1-i输入到第四α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′1-i，使用插值后的注意力系数α′1-i对特征图B1-i加权得到特征图将特征图A1-i与特征图沿Z轴进行拼接操作，得到特征图/>
g-9)解码器的第四可变形融合模块由第一卷积层、第一双线性插值层、第二卷积层、可变形卷积层、第二双线性插值层、全局平均池化层、第三卷积层、第四卷积层、Sigmoid层、膨胀卷积层、第五卷积层构成，将特征图输入到第一卷积层中，输出得到特征图/>将带有学习偏移的特征图Δ2-i输入到第一双线性插值层中进行双线性插值，得到特征图Δ′2-i，将特征图/>与特征图Δ′2-i沿Z轴进行拼接操作后输入到第二卷积层中，输出得到带有学习偏移的特征图Δ1-i，将特征图B1-i与带有学习偏移的特征图Δ1-i沿Z轴进行拼接操作后输入到可变形卷积层中，输出得到特征图D1-i，将融合特征C2-i输入到第二双线性插值层中进行双线性插值，得到特征图C2′-i，将特征图C2′-i依次输入到全局平均池化层、第三卷积层、第四卷积层、Sigmoid层中，输出得到特征图C2″-i，将特征图C2″-i与特征图D1-i逐元素相乘，得到特征图C2′-iD1-i，将特征图C2′-iD1-i输入到膨胀卷积层中，输出得到特征图D1′-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D1′-i与特征图D1-i进行残差连接，得到特征图D1″-i，将特征图D1″-i输入到第五卷积层中，输出得到融合特征图C1-i。优选的，步骤g-2)中第一α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-3)中第一可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第一可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-4)中第二α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-5)中第二可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第二可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-6)中第三α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-7)中第三可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第三可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-8)中第四α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-9)中第四可变形融合模块的第一卷积层、第二卷积层、第五卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第四可变形融合模块的第三卷积层和第四卷积层的卷积核大小均为1×1、步长均为1，第四可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3。进一步的，步骤i)包括如下步骤：
i-1)通过公式计算得到总损失/>式中/>为交叉熵损失函数，/>为正则化损失函数，ω为超参数；
i-2)使用Adam优化器，采用总损失训练ADC-UNet网络模型，得到优化后的ADC-UNet网络模型。
优选的，训练ADC-UNet网络模型时初始学习率为2×10-4，batch size设置为32，最大epoch设置为200，学习率lr为0.001，超参数ω设置为0.05。
本发明的有益效果是：克服由于边界模糊、成像强度不均匀以及心脏结构的形状变化较大从而导致很难实现精确的心脏MRI分割的问题。通过将注意力模块和跳跃连接相结合，在处理输入特征时抑制不相关的区域，同时突出显著特征。可变形卷积融合模块添加到解码器部分，充分利用目标切片融合特征中的有用信息，确保每个分割图的精确连续边界，可以更好地处理图像中不同尺度的特征，从而获得更精确的分割结果。
附图说明
图1为本发明的ADC-UNet模型结构图；
图2为本发明的双卷积激活模块结构图；
图3为本发明的α-模块的结构图；
图4为本发明的可变形卷积融合模块的结构图。
具体实施方式
下面结合附图1至附图4对本发明做进一步说明。
一种基于ADC-UNet模型的心脏MRI结构分割方法，包括如下步骤：
a)获取由N组心脏MRI图像数据的数据集X，X＝{X1,X2,...,Xi,...,XN}，Xi为第i张心脏MRI图像数据，i∈{1,...,N}。
b)将数据集X进行预处理，得到预处理后的数据集X′。
c)将预处理后的数据集X′划分为训练集、验证集、测试集。
d)将训练集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到M个切片图像，第i个切片图像为Fi，i∈{1,...,M}。
e)建立ADC-UNet网络模型，ADC-UNet网络模型由编码器和解码器构成。
f)将第i个切片图像Fi输入到ADC-UNet网络模型的编码器中，输出得到特征图A5-i。
g)将特征图A5-i输入到ADC-UNet网络模型的解码器中，输出得到融合特征图C1-i。
h)将融合特征图C1-i输入到Softmax函数中，输出得到分割结果图像P1-i。
i)训练ADC-UNet网络模型，得到优化后的ADC-UNet网络模型。
j)将测试集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到Q个切片图像，第i个切片图像为Fi′，i∈{1,...,Q}。
k)将第i个切片图像Fi′输入到优化后的ADC-UNet网络模型中，输出得到分割结果图像P′1-i。
克服由于边界模糊、成像强度不均匀以及心脏结构的形状变化较大从而导致很难实现精确的心脏MRI分割的问题。
实施例1：
步骤a)中从2017ACDC数据集中获取100组来自8个不同数据集的病人的心脏MRI图像数据，步骤d)中M取值为1312。2017ACDC数据集是用于心脏MRI图像分割的公共数据集，包括100组来自8个不同数据集的病人的心脏MRI图像，其中包含3个功能性的心脏组织类别：心肌、右心室和左心室。在100组数据中，每一组都包含舒张末期(ED)和收缩末期(ES)两个时期的心脏数据，每个时期都有一个原始心脏数据和其对应的标签心脏数据。MRI图像是以数字形式表示的，该数据集的每个像素都具有对应的标签，以便用于图像分割任务。优选的，步骤j)中Q取值为380。
实施例2：
步骤b)包括如下步骤：
b-1)利用numpy库中的GetArrayFromImage()函数将第i张心脏MRI图像数据Xi转化为Numpy数组，将转换为Numpy数组的第i张心脏MRI图像数据沿Z轴方向切为若干2D切片。
b-2)将每个2D切片进行重采样，得到像素间距为(1.5,1.5)的新2D图像，将每个新2D图像进行进行中心剪裁，得到大小为256×256的剪裁后的2D图像，将各个剪裁后的2D图像堆叠起来，恢复成为3D图像Numpy数组，将3D图像Numpy数组利用numpy库中的GetArrayFromArray()函数转化回心脏MRI图像数据。
b-3)将心脏MRI图像数据以0.5的概率沿水平轴或垂直轴进行翻转，随机旋转90度，得到旋转后的图像。
b-4)将旋转后的图像进行z-score标准化，得到预处理后的第i张心脏MRI图像数据X′i，各个预处理后的心脏MRI图像数据构成预处理后的数据集X′，X′＝{X′1,X′2,...,X′i,...,X′N}。
实施例3：
步骤c)中将预处理后的数据集X′按7:1:2的比例划分为训练集、验证集、测试集。
实施例4：
步骤f)包括如下步骤：
f-1)ADC-UNet网络模型的编码器由第一双卷积激活模块、第一最大池化层、第二双卷积激活模块、第二最大池化层、第三双卷积激活模块、第三最大池化层、第四双卷积激活模块、第四最大池化层、第五双卷积激活模块构成。
f-2)编码器的第一双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将第i个切片图像Fi输入到第一双卷积激活模块中，输出得到特征图A1-i，将特征图A1-i输入到编码器的第一最大池化层中，输出得到特征图A′1-i。
f-3)编码器的第二双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A′1-i输入到第二双卷积激活模块中，输出得到特征图A2-i，将特征图A2-i输入到编码器的第二最大池化层中，输出得到特征图A2′-i。
f-4)编码器的第三双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A2′-i输入到第三双卷积激活模块中，输出得到特征图A3-i，将特征图A3-i输入到编码器的第三最大池化层中，输出得到特征图A3′-i。
f-5)编码器的第四双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A3′-i输入到第四双卷积激活模块中，输出得到特征图A4-i，将特征图A4-i输入到编码器的第四最大池化层中，输出得到特征图A4′-i。
f-6)编码器的第五双卷积激活模块依次由第一卷积层、第一BatchNormalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A4′-i输入到第五双卷积激活模块中，输出得到特征图A5-i。
在该实施例中，优选的，步骤f-2)中第一双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第一最大池化层的步幅为2，池化核大小为2×2；步骤f-3)中第二双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第二最大池化层的步幅为2，池化核大小为2×2；步骤f-4)中第三双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第三最大池化层的步幅为2，池化核大小为2×2；步骤f-5)中第四双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第四最大池化层的步幅为2，池化核大小为2×2；步骤f-6)中第五双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3。
实施例5：
步骤g)包括如下步骤：
g-1)ADC-UNet网络模型的解码器由第一上采样层、第一α-模块、第一可变形融合模块、第二上采样层、第二α-模块、第二可变形融合模块、第三上采样层、第三α-模块、第三可变形融合模块、第四上采样层、第四α-模块、第四可变形融合模块构成。
g-2)将特征图A5-i输入到解码器的第一上采样层中，输出得到特征图B4-i，解码的第一α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A4-i输入到第一α-模块的第一卷积层中，输出得到特征图WaA4-i，将特征图B4-i输入到第一α-模块的第二卷积层中，输出得到特征图WbB4-i，将特征图WaA4-i与特征图与特征图WbB4-i逐元素相加后依次输入到第一α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α4-i，将注意力系数α4-i输入到第一α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′4-i，使用插值后的注意力系数α′4-i对特征图B4-i加权得到特征图将特征图A4-i与特征图/>沿Z轴进行拼接操作，得到特征图/>
g-3)解码器的第一可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ4-i，将特征图B4-i与带有学习偏移的特征图Δ4-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D4-i，将特征图D4-i输入到膨胀卷积层中，输出得到特征图D′4-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′4-i与特征图D4-i进行残差连接，得到特征图D″4-i，将特征图D″4-i输入到第四卷积层中，输出得到融合特征图C4-i。
g-4)将融合特征图C4-i输入到解码器的第二上采样层中，输出得到特征图B3-i，解码的第二α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A3-i输入到第二α-模块的第一卷积层中，输出得到特征图WaA3-i，将特征图B3-i输入到第二α-模块的第二卷积层中，输出得到特征图WbB3-i，将特征图WaA3-i与特征图与特征图WbB3-i逐元素相加后依次输入到第二α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α3-i，将注意力系数α3-i输入到第二α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′3-i，使用插值后的注意力系数α′3-i对特征图B3-i加权得到特征图将特征图A3-i与特征图沿Z轴进行拼接操作，得到特征图/>
g-5)解码器的第二可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ3-i，将特征图B3-i与带有学习偏移的特征图Δ3-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D3-i，将特征图D3-i输入到膨胀卷积层中，输出得到特征图D′3-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′3-i与特征图D3-i进行残差连接，得到特征图D″3-i，将特征图D″3-i输入到第四卷积层中，输出得到融合特征图C3-i。
g-6)将融合特征图C3-i输入到解码器的第三上采样层中，输出得到特征图B2-i，解码的第三α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A2-i输入到第三α-模块的第一卷积层中，输出得到特征图WaA2-i，将特征图B2-i输入到第三α-模块的第二卷积层中，输出得到特征图WbB2-i，将特征图WaA2-i与特征图与特征图WbB2-i逐元素相加后依次输入到第三α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α2-i，将注意力系数α2-i输入到第三α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′2-i，使用插值后的注意力系数α′2-i对特征图B2-i加权得到特征图将特征图A2-i与特征图沿Z轴进行拼接操作，得到特征图/>
g-7)解码器的第三可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ2-i，将特征图B2-i与带有学习偏移的特征图Δ2-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D2-i，将特征图D2-i输入到膨胀卷积层中，输出得到特征图D′2-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′2-i与特征图D2-i进行残差连接，得到特征图D″2-i，将特征图D″2-i输入到第四卷积层中，输出得到融合特征图C2-i。
g-8)将融合特征图C2-i输入到解码器的第四上采样层中，输出得到特征图B1-i，解码的第四α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A1-i输入到第四α-模块的第一卷积层中，输出得到特征图WaA1-i，将特征图B1-i输入到第四α-模块的第二卷积层中，输出得到特征图WbB1-i，将特征图WaA1-i与特征图与特征图WbB1-i逐元素相加后依次输入到第四α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α1-i，将注意力系数α1-i输入到第四α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′1-i，使用插值后的注意力系数α′1-i对特征图B1-i加权得到特征图将特征图A1-i与特征图沿Z轴进行拼接操作，得到特征图/>
g-9)解码器的第四可变形融合模块由第一卷积层、第一双线性插值层、第二卷积层、可变形卷积层、第二双线性插值层、全局平均池化层、第三卷积层、第四卷积层、Sigmoid层、膨胀卷积层、第五卷积层构成，将特征图输入到第一卷积层中，输出得到特征图/>将带有学习偏移的特征图Δ2-i输入到第一双线性插值层中进行双线性插值，得到特征图Δ′2-i，将特征图/>与特征图Δ′2-i沿Z轴进行拼接操作后输入到第二卷积层中，输出得到带有学习偏移的特征图Δ1-i，将特征图B1-i与带有学习偏移的特征图Δ1-i沿Z轴进行拼接操作后输入到可变形卷积层中，输出得到特征图D1-i，将融合特征C2-i输入到第二双线性插值层中进行双线性插值，得到特征图C′2-i，将特征图C′2-i依次输入到全局平均池化层、第三卷积层、第四卷积层、Sigmoid层中，输出得到特征图C″2-i，将特征图C″2-i与特征图D1-i逐元素相乘，得到特征图C′2-iD1-i，将特征图C′2-iD1-i输入到膨胀卷积层中，输出得到特征图D′1-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′1-i与特征图D1-i进行残差连接，得到特征图D″1-i，将特征图D″1-i输入到第五卷积层中，输出得到融合特征图C1-i。在该实施例中，优选的，步骤g-2)中第一α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-3)中第一可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第一可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-4)中第二α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-5)中第二可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第二可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-6)中第三α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-7)中第三可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第三可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-8)中第四α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-9)中第四可变形融合模块的第一卷积层、第二卷积层、第五卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第四可变形融合模块的第三卷积层和第四卷积层的卷积核大小均为1×1、步长均为1，第四可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3。
实施例6：
步骤i)包括如下步骤：
i-1)通过公式计算得到总损失/>式中/>为交叉熵损失函数，/>为正则化损失函数，ω为超参数；
i-2)使用Adam优化器，采用总损失训练ADC-UNet网络模型，得到优化后的ADC-UNet网络模型。
在该实施例中，优选的，训练ADC-UNet网络模型时初始学习率为2×10-4，batchsize设置为32，最大epoch设置为200，学习率lr为0.001，超参数ω设置为0.05。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于ADC-UNet模型的心脏MRI结构分割方法，其特征在于，包括如下步骤：
a)获取由N组心脏MRI图像数据的数据集X，X＝{X1,X2,...,Xi,...,XN}，Xi为第i张心脏MRI图像数据，i∈{1,...,N}；
b)将数据集X进行预处理，得到预处理后的数据集X′；
c)将预处理后的数据集X′划分为训练集、验证集、测试集；
d)将训练集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到M个切片图像，第i个切片图像为Fi，i∈{1,...,M}；
e)建立ADC-UNet网络模型，ADC-UNet网络模型由编码器和解码器构成；
f)将第i个切片图像Fi输入到ADC-UNet网络模型的编码器中，输出得到特征图A5-i；
g)将特征图A5-i输入到ADC-UNet网络模型的解码器中，输出得到融合特征图C1-i；
h)将融合特征图C1-i输入到Softmax函数中，输出得到分割结果图像P1-i；
i)训练ADC-UNet网络模型，得到优化后的ADC-UNet网络模型；
j)将测试集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到Q个切片图像，第i个切片图像为Fi′，i∈{1,...,Q}；
k)将第i个切片图像Fi′输入到优化后的ADC-UNet网络模型中，输出得到分割结果图像P′1-i；
步骤f)包括如下步骤：
f-1)ADC-UNet网络模型的编码器由第一双卷积激活模块、第一最大池化层、第二双卷积激活模块、第二最大池化层、第三双卷积激活模块、第三最大池化层、第四双卷积激活模块、第四最大池化层、第五双卷积激活模块构成；
f-2)编码器的第一双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将第i个切片图像Fi输入到第一双卷积激活模块中，输出得到特征图A1-i，将特征图A1-i输入到编码器的第一最大池化层中，输出得到特征图A′1-i；
f-3)编码器的第二双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A′1-i输入到第二双卷积激活模块中，输出得到特征图A2-i，将特征图A2-i输入到编码器的第二最大池化层中，输出得到特征图A′2-i；
f-4)编码器的第三双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A′2-i输入到第三双卷积激活模块中，输出得到特征图A3-i，将特征图A3-i输入到编码器的第三最大池化层中，输出得到特征图A′3-i；
f-5)编码器的第四双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A′3-i输入到第四双卷积激活模块中，输出得到特征图A4-i，将特征图A4-i输入到编码器的第四最大池化层中，输出得到特征图A′4-i；
f-6)编码器的第五双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A′4-i输入到第五双卷积激活模块中，输出得到特征图A5-i；
步骤g)包括如下步骤：
g-1)ADC-UNet网络模型的解码器由第一上采样层、第一α-模块、第一可变形融合模块、第二上采样层、第二α-模块、第二可变形融合模块、第三上采样层、第三α-模块、第三可变形融合模块、第四上采样层、第四α-模块、第四可变形融合模块构成；
g-2)将特征图A5-i输入到解码器的第一上采样层中，输出得到特征图B4-i，解码的第一α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A4-i输入到第一α-模块的第一卷积层中，输出得到特征图WaA4-i，将特征图B4-i输入到第一α-模块的第二卷积层中，输出得到特征图WbB4-i，将特征图WaA4-i与特征图与特征图WbB4-i逐元素相加后依次输入到第一α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α4-i，将注意力系数α4-i输入到第一α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′4-i，使用插值后的注意力系数α′4-i对特征图B4-i加权得到特征图将特征图A4-i与特征图/>沿Z轴进行拼接操作，得到特征图/>
g-3)解码器的第一可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ4-i，将特征图B4-i与带有学习偏移的特征图Δ4-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D4-i，将特征图D4-i输入到膨胀卷积层中，输出得到特征图D4′-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′4-i与特征图D4-i进行残差连接，得到特征图D″4-i，将特征图D″4-i输入到第四卷积层中，输出得到融合特征图C4-i；
g-4)将融合特征图C4-i输入到解码器的第二上采样层中，输出得到特征图B3-i，解码的第二α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A3-i输入到第二α-模块的第一卷积层中，输出得到特征图WaA3-i，将特征图B3-i输入到第二α-模块的第二卷积层中，输出得到特征图WbB3-i，将特征图WaA3-i与特征图与特征图WbB3-i逐元素相加后依次输入到第二α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α3-i，将注意力系数α3-i输入到第二α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′3-i，使用插值后的注意力系数α′3-i对特征图B3-i加权得到特征图将特征图A3-i与特征图/>沿Z轴进行拼接操作，得到特征图/>
g-5)解码器的第二可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ3-i，将特征图B3-i与带有学习偏移的特征图Δ3-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D3-i，将特征图D3-i输入到膨胀卷积层中，输出得到特征图D′3-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′3-i与特征图D3-i进行残差连接，得到特征图D″3-i，将特征图D″3-i输入到第四卷积层中，输出得到融合特征图C3-i；
g-6)将融合特征图C3-i输入到解码器的第三上采样层中，输出得到特征图B2-i，解码的第三α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A2-i输入到第三α-模块的第一卷积层中，输出得到特征图WaA2-i，将特征图B2-i输入到第三α-模块的第二卷积层中，输出得到特征图WbB2-i，将特征图WaA2-i与特征图与特征图WbB2-i逐元素相加后依次输入到第三α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α2-i，将注意力系数α2-i输入到第三α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′2-i，使用插值后的注意力系数α′2-i对特征图B2-i加权得到特征图将特征图A2-i与特征图/>沿Z轴进行拼接操作，得到特征图/>
g-7)解码器的第三可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图/>输入到第二卷积层中，输出得到带有学习偏移的特征图Δ2-i，将特征图B2-i与带有学习偏移的特征图Δ2-i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D2-i，将特征图D2-i输入到膨胀卷积层中，输出得到特征图D′2-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′2-i与特征图D2-i进行残差连接，得到特征图D″2-i，将特征图D″2-i输入到第四卷积层中，输出得到融合特征图C2-i；
g-8)将融合特征图C2-i输入到解码器的第四上采样层中，输出得到特征图B1-i，解码的第四α-模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A1-i输入到第四α-模块的第一卷积层中，输出得到特征图WaA1-i，将特征图B1-i输入到第四α-模块的第二卷积层中，输出得到特征图WbB1-i，将特征图WaA1-i与特征图与特征图WbB1-i逐元素相加后依次输入到第四α-模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数α1-i，将注意力系数α1-i输入到第四α-模块的双三次插值层中进行双三次插值，得到插值后的注意力系数α′1-i，使用插值后的注意力系数α′1-i对特征图B1-i加权得到特征图将特征图A1-i与特征图/>沿Z轴进行拼接操作，得到特征图/>g-9)解码器的第四可变形融合模块由第一卷积层、第一双线性插值层、第二卷积层、可变形卷积层、第二双线性插值层、全局平均池化层、第三卷积层、第四卷积层、Sigmoid层、膨胀卷积层、第五卷积层构成，将特征图/>输入到第一卷积层中，输出得到特征图/>将带有学习偏移的特征图Δ2-i输入到第一双线性插值层中进行双线性插值，得到特征图Δ′2-i，将特征图/>与特征图Δ′2-i沿Z轴进行拼接操作后输入到第二卷积层中，输出得到带有学习偏移的特征图Δ1-i，将特征图B1-i与带有学习偏移的特征图Δ1-i沿Z轴进行拼接操作后输入到可变形卷积层中，输出得到特征图D1-i，将融合特征C2-i输入到第二双线性插值层中进行双线性插值，得到特征图C′2-i，将特征图C′2-i依次输入到全局平均池化层、第三卷积层、第四卷积层、Sigmoid层中，输出得到特征图C″2-i，将特征图C″2-i与特征图D1-i逐元素相乘，得到特征图C′2-iD1-i，将特征图C′2-iD1-i输入到膨胀卷积层中，输出得到特征图D′1-i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D′1-i与特征图D1-i进行残差连接，得到特征图D″1-i，将特征图D″1-i输入到第五卷积层中，输出得到融合特征图C1-i。
2.根据权利要求1所述的基于ADC-UNet模型的心脏MRI结构分割方法，其特征在于：步骤a)中从2017ACDC数据集中获取100组来自8个不同数据集的病人的心脏MRI图像数据，步骤d)中M取值为1312；步骤j)中Q取值为380。
3.根据权利要求1所述的基于ADC-UNet模型的心脏MRI结构分割方法，其特征在于，步骤b)包括如下步骤：
b-1)利用numpy库中的GetArrayFromImage()函数将第i张心脏MRI图像数据Xi转化为Numpy数组，将转换为Numpy数组的第i张心脏MRI图像数据沿Z轴方向切为若干2D切片；
b-2)将每个2D切片进行重采样，得到像素间距为(1.5,1.5)的新2D图像，将每个新2D图像进行进行中心剪裁，得到大小为256×256的剪裁后的2D图像，将各个剪裁后的2D图像堆叠起来，恢复成为3D图像Numpy数组，将3D图像Numpy数组利用numpy库中的GetArrayFromArray()函数转化回心脏MRI图像数据
b-3)将心脏MRI图像数据以0.5的概率沿水平轴或垂直轴进行翻转，随机旋转90度，得到旋转后的图像；
b-4)将旋转后的图像进行z-score标准化，得到预处理后的第i张心脏MRI图像数据X′i，各个预处理后的心脏MRI图像数据构成预处理后的数据集X′，X′＝{X′1,X′2,...,X′i,...,X′N}。
4.根据权利要求1所述的基于ADC-UNet模型的心脏MRI结构分割方法，其特征在于：步骤c)中将预处理后的数据集X′按7:1:2的比例划分为训练集、验证集、测试集。
5.根据权利要求1所述的基于ADC-UNet模型的心脏MRI结构分割方法，其特征在于：步骤f-2)中第一双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第一最大池化层的步幅为2，池化核大小为2×2；步骤f-3)中第二双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第二最大池化层的步幅为2，池化核大小为2×2；步骤f-4)中第三双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第三最大池化层的步幅为2，池化核大小为2×2；步骤f-5)中第四双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3，编码器的第四最大池化层的步幅为2，池化核大小为2×2；步骤f-6)中第五双卷积激活模块的第一卷积层的卷积核大小为3×3，第二卷积层的卷积核大小为3×3。
6.根据权利要求1所述的基于ADC-UNet模型的心脏MRI结构分割方法，其特征在于：步骤g-2)中第一α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-3)中第一可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第一可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-4)中第二α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-5)中第二可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第二可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-6)中第三α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-7)中第三可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第三可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3；步骤g-8)中第四α-模块的第一卷积层与第二卷积层的卷积核大小均为1×1、步长均为1、填充均为0；步骤g-9)中第四可变形融合模块的第一卷积层、第二卷积层、第五卷积层的卷积核大小均为3×3、步长均为1、填充均为0，第四可变形融合模块的第三卷积层和第四卷积层的卷积核大小均为1×1、步长均为1，第四可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为3×3。
7.根据权利要求1所述的基于ADC-UNet模型的心脏MRI结构分割方法，其特征在于，步骤i)包括如下步骤：
i-1)通过公式计算得到总损失/>式中/>为交叉熵损失函数，/>为正则化损失函数，ω为超参数；
i-2)使用Adam优化器，采用总损失训练ADC-UNet网络模型，得到优化后的ADC-UNet网络模型。
8.根据权利要求7所述的基于ADC-UNet模型的心脏MRI结构分割方法，其特征在于：训练ADC-UNet网络模型时初始学习率为2×10-4，batch size设置为32，最大epoch设置为200，学习率lr为0.001，超参数ω设置为0.05。
CN202310577145.7A 2023-05-22 2023-05-22 一种基于ADC-UNet模型的心脏MRI结构分割方法 Active CN116612131B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310577145.7A CN116612131B (zh) 2023-05-22 2023-05-22 一种基于ADC-UNet模型的心脏MRI结构分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310577145.7A CN116612131B (zh) 2023-05-22 2023-05-22 一种基于ADC-UNet模型的心脏MRI结构分割方法

Publications (2)

Publication Number Publication Date
CN116612131A CN116612131A (zh) 2023-08-18
CN116612131B true CN116612131B (zh) 2024-02-13

Family

ID=87683096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310577145.7A Active CN116612131B (zh) 2023-05-22 2023-05-22 一种基于ADC-UNet模型的心脏MRI结构分割方法

Country Status (1)

Country Link
CN (1) CN116612131B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078941B (zh) * 2023-09-22 2024-03-01 齐鲁工业大学(山东省科学院) 一种基于上下文级联注意力的心脏mri分割方法
CN117522881A (zh) * 2023-11-06 2024-02-06 山东省人工智能研究院 基于注意力机制和多层级特征融合的心脏图像分割方法
CN117649523A (zh) * 2023-11-28 2024-03-05 齐鲁工业大学(山东省科学院) 一种基于LUnetr模型的可变心脏MRI分割方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110675406A (zh) * 2019-09-16 2020-01-10 南京信息工程大学 基于残差双注意力深度网络的ct图像肾脏分割算法
CN111681252A (zh) * 2020-05-30 2020-09-18 重庆邮电大学 一种基于多路径注意力融合的医学图像自动分割方法
CN111932550A (zh) * 2020-07-01 2020-11-13 浙江大学 一种基于深度学习的3d心室核磁共振视频分割系统
CN114549538A (zh) * 2022-02-24 2022-05-27 杭州电子科技大学 一种基于空间信息与特征通道的脑肿瘤医学图像分割方法
CN115115648A (zh) * 2022-06-20 2022-09-27 北京理工大学 一种结合UNet和体绘制先验知识的脑组织分割方法
CN115457057A (zh) * 2022-09-26 2022-12-09 杭州师范大学 一种采用深监督策略的多尺度特征融合腺体分割方法
WO2022257408A1 (zh) * 2021-06-10 2022-12-15 南京邮电大学 一种基于u型网络的医学图像分割方法
CN115908241A (zh) * 2022-09-16 2023-04-04 重庆邮电大学 一种基于UNet和Transformer相融合的视网膜血管分割方法
CN115953416A (zh) * 2023-01-04 2023-04-11 河北工业大学 基于深度学习的膝骨关节核磁共振图像自动分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110675406A (zh) * 2019-09-16 2020-01-10 南京信息工程大学 基于残差双注意力深度网络的ct图像肾脏分割算法
CN111681252A (zh) * 2020-05-30 2020-09-18 重庆邮电大学 一种基于多路径注意力融合的医学图像自动分割方法
CN111932550A (zh) * 2020-07-01 2020-11-13 浙江大学 一种基于深度学习的3d心室核磁共振视频分割系统
WO2022257408A1 (zh) * 2021-06-10 2022-12-15 南京邮电大学 一种基于u型网络的医学图像分割方法
CN114549538A (zh) * 2022-02-24 2022-05-27 杭州电子科技大学 一种基于空间信息与特征通道的脑肿瘤医学图像分割方法
CN115115648A (zh) * 2022-06-20 2022-09-27 北京理工大学 一种结合UNet和体绘制先验知识的脑组织分割方法
CN115908241A (zh) * 2022-09-16 2023-04-04 重庆邮电大学 一种基于UNet和Transformer相融合的视网膜血管分割方法
CN115457057A (zh) * 2022-09-26 2022-12-09 杭州师范大学 一种采用深监督策略的多尺度特征融合腺体分割方法
CN115953416A (zh) * 2023-01-04 2023-04-11 河北工业大学 基于深度学习的膝骨关节核磁共振图像自动分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep Convolutional Encoder-Decoder algorithm for MRI brain reconstruction;Njeh, Ines.et;《MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING 》;全文 *
基于多尺度卷积输入和ConvCRFs的非对称U-Net脑肿瘤MRI图像分割;李星;《信息与电脑(理论版)》;全文 *
基于残差双注意力U-Net模型的CT图像囊肿肾脏自动分割;徐宏伟;闫培新;吴敏;徐振宇;孙玉宝;;计算机应用研究(07);全文 *

Also Published As

Publication number Publication date
CN116612131A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN116612131B (zh) 一种基于ADC-UNet模型的心脏MRI结构分割方法
CN110021037B (zh) 一种基于生成对抗网络的图像非刚性配准方法及系统
Trinh et al. Novel example-based method for super-resolution and denoising of medical images
CN112435309A (zh) 一种基于深度学习的增强ct图像质量和分辨率的方法
Sood et al. An application of generative adversarial networks for super resolution medical imaging
CN112215755B (zh) 一种基于反投影注意力网络的图像超分辨率重建方法
CN110070612B (zh) 一种基于生成对抗网络的ct图像层间插值方法
CN111091616A (zh) 一种三维超声图像的重建方法及装置
CN110211193B (zh) 三维ct层间图像插值修复与超分辨处理方法及装置
CN114241077B (zh) 一种ct图像分辨率优化方法及装置
WO2021102644A1 (zh) 图像增强方法、装置及终端设备
CN116563265B (zh) 基于多尺度注意力和自适应特征融合的心脏mri分割方法
CN116823625B (zh) 基于变分自编码器的跨对比度磁共振超分辨率方法和系统
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN115239716A (zh) 一种基于形状先验U-Net的医学图像分割方法
CN116681894A (zh) 一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质
CN109741439B (zh) 一种二维mri胎儿图像的三维重建方法
Shi et al. Exploiting multi-scale parallel self-attention and local variation via dual-branch transformer-cnn structure for face super-resolution
CN111696167A (zh) 自范例学习引导的单张影像超分辨率重构方法
CN112950684A (zh) 基于表面配准的目标特征提取方法、装置、设备和介质
CN116071270A (zh) 基于可变形卷积生成对抗网络的电子数据生成方法及系统
CN111047512A (zh) 图像增强方法、装置及终端设备
CN115937429A (zh) 一种基于单张图像的细粒度3d人脸重建方法
CN113191949B (zh) 多尺度超分辨率病理图像数字化方法、系统及存储介质
CN115797378A (zh) 基于几何交并比损失的前列腺轮廓分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant