一种基于sea-unet的心脏图像分割方法
技术领域
1.本发明属于图像分割技术领域，具体涉及一种基于sea-unet的心脏图像分割方法。
背景技术：2.全心分割(whs)是广泛临床治疗的必要的初步措施。医师需要对不同的心脏结构进行微妙的分离才能实现心脏的精确量化。但在手动描绘整个心脏的过程中是极其疲劳和乏味的，需要大量的时间。因此，设计计算机辅助的医学图像自动分割方法是目前迫切需要的。
3.现有技术存在的问题或者缺陷：近年来，深度学习改进了分割任务，在医学图像分析中取得了较好的成果。但目前的深度学习分割模型在心脏的分割领域只能实现心脏的粗略分割，由于精确的心脏分割是患者痊愈的关键，因此目前的深度学习方法从ct图像中自动分割心脏仍然是一项具有挑战性的任务。
技术实现要素：4.本发明通过收集来自mm-whs-2017的公共数据集。完成数据收集后，对数据进行预处理，预处理包括数据分割和归一化等。将预处理后的数据输入搭建好的sea-unet网络中进行模型的训练，待到模型损失函数不再下降，保存模型，完成模型构建。
5.为了解决上述技术问题，本发明采用的技术方案为：
6.一种基于sea-unet的心脏图像分割方法：包括下列步骤：
7.s1、数据收集：收集相关的心脏公共数据集，该数据集中包含mri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；
8.s2、数据预处理：预处理包括归一化、数据切割，统一数据尺度大小等方法，用于保证模型训练效果；
9.s3、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；
10.s4、模型保存：当模型的损失函数不再降低之后，保存模型；
11.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。
12.进一步的，s1中，首先收集来自mm-whs-2017的公共数据集，其中包含40颗心脏的全心脏容积的mri和ct图像数据，且心脏中包含7个不同的结构，分别为lv,rv,la,ra,myo,ao和pa，并且所有的ct和mri图像的标签设置为500，600，420，550，205，820和850。
13.进一步的，s2中，所述数据归一化：对每条数据进行归一化，其公式如下：其中μ为均值，σ为方差，x为输入值，
14.所述图像缩放：由于数据集中的图像尺寸大小不同，为了稳定训练并生成更好的图像，将其按照大小比例全部调整为统一尺寸大小512
×
512；
15.所述数据分割：使用交叉验证法将数据集d划分为5个大小相似的互斥子集，每个子集都要尽可能保持数据分布的一致性，然后用4个子集的并集作为训练集，余下的子集作为测试集，获得k组训练/测试集，从而可以进行5次训练和测试，最终返回的是5个测试结果的均值，预处理的心脏图像数据集随机选择90％的样本作为训练集，剩余10％的最优特征子集作为测试集，由此进行测试。
16.进一步的，s3中，构建基于sea-unet的网络分割模型，原始的unet模型包含两个基本部分：编码器和解码器，编码器由卷积层和池层组成，卷积层生成特征映射，而池化层不断降低这些特征映射的维数，以获得更多具有更显著空间不变性的关键特征，通过降低特征图的分辨率减少了模型的计算消耗，解码器将编码器生成的独特的低分辨率特征投射到更高分辨率的像素空间，以实现紧凑的像素级标记，为进一步提高unet模型的分割准确率，在编码阶段通过使用inception模块代替卷积层，通过使用inception模块用于解决图像内容差异不能有效提取图像信息，其核心是将某一层网络卷积核拆分成不同尺寸的卷积核，如3
×
3的卷积核拆分成1
×
1,3
×
3的卷积核，增加输出网络层的尺寸，若使用1
×
1和3
×
3的卷积核，提取图像信息，获取的图像信息较单一卷积核更丰富，同时小卷积核可提取更小目标的信息，更有效利用图像信息，为了提取更多、更重要的特征信息，通过使用senet中的squeeze和excitation方法改进inception模块中的卷积层用于提高模型的特征提取能力，其中senet模块的核心思想在于建模通道之间的相互依赖关系，通过网络的全局损失函数自适应的重新矫正通道之间的特征相应强度，其中senet由一些列se block组成，一个se block的过程分为squeeze和excitation两个步骤，其中squeeze通过在feature map层上执行global average pooling得到当前feature map的全局压缩特征向量，excitation通过两层全连接得到feature map中每个通道的权值，并将加权后的feature map作为下一层网络的输入，senet中squeeze模块和excitation模块具体表示如下：
17.其中特征图的维度为h*w*c，uc(*)为卷积操作，σ表示relu激活函数，g表示sigmoid激活函数，分别是两个全连接层的权值矩阵，得到门控单元s后，最后的输出表示为s和u的向量积：其中是的一个特征通道的一个feature map，sc是门控单元s(向量)中的一个标量值，为了有效改善网络模型的性能，通过使用空间金字塔池化替换编码过程中的池化层，该模块可以把任何尺度图像的卷积特征统一成相同维度，该方法的优点是对输入图像大小和比例不敏感，可以避免对原始图像的裁剪和变形操作，并输出固定长度的特征向量，有效改善网络模型的性能，取得更优的分割性能。
18.进一步的，s4中，当模型的损失函数不再降低之后，保存模型，其中生成器g和鉴别器d所用的损失函数如下：
[0019][0020]
其中j(θ)为参数θ的偏导数；y(i)为第i个样本x(i)的标签；m为样本数量；h
θ
(*)为样
本预测正确的概率；之后使用adam算法对网络模型的参数进行更新。
[0021]
进一步的，s5中，为了评估模型的训练效果，通过使用dice和iou作为分割准确率的评价指标，该评估方法公式如下：
[0022][0023]
其中x为预测的图像区域，y为真实的图像区域。
[0024]
有益效果：
[0025]
本发明提出了基于sea-unet的心脏图像分割模型，通过使用inception模块增加网络的宽度和提高模型对尺度的适用性，之后使用senet模块重新矫正通道之间的特征相应强度，提高模型对重要特征的提取性能。最后使用空间金字塔池化有效改善网络模型的分割性能，取得更优的分割结果。
附图说明
[0026]
图1本发明的步骤的逻辑框图；
具体实施方式
[0027]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
一种基于sea-unet的心脏图像分割方法，如图1所示，包括下列步骤：
[0029]
s1、数据收集：收集相关的心脏公共数据集，该数据集中包含mri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；
[0030]
s2、数据预处理：预处理包括归一化、数据切割，统一数据尺度大小等方法，用于保证模型训练效果；
[0031]
s3、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；
[0032]
s4、模型保存：当模型的损失函数不再降低之后，保存模型；
[0033]
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。
[0034]
进一步的，s1中，首先收集来自mm-whs-2017的公共数据集，其中包含40颗心脏的全心脏容积的mri和ct图像数据，且心脏中包含7个不同的结构，分别为lv,rv,la,ra,myo,ao和pa，并且所有的ct和mri图像的标签设置为500，600，420，550，205，820和850。其目标是从心脏ct和mri中分离出这七个器官。该数据集是通过64层ct扫描仪和1.5t临床扫描仪对患者进行扫描成像获得的图像数据集，来自不同扫描仪的数据以不同图像属性和分辨率的nifti文件格式存储，保证更稳健的算法构建，ct图像为轴向视图，包含了从腹部顶部到主动脉弓的整个心脏，平面分辨率为0.44
×
0.44mm，标准切片厚度为0.60mm。而mri图像分辨率为2
×2×
2mm。
[0035]
进一步的，s2中，所述数据归一化：对每条数据进行归一化，其公式如下：
其中μ为均值，σ为方差，x为输入值，
[0036]
所述图像缩放：由于数据集中的图像尺寸大小不同，为了稳定训练并生成更好的图像，将其按照大小比例全部调整为统一尺寸大小512
×
512；
[0037]
所述数据分割：使用交叉验证法将数据集d划分为5个大小相似的互斥子集，每个子集都要尽可能保持数据分布的一致性，然后用4个子集的并集作为训练集，余下的子集作为测试集，获得k组训练/测试集，从而可以进行5次训练和测试，最终返回的是5个测试结果的均值，预处理的心脏图像数据集随机选择90％的样本作为训练集，剩余10％的最优特征子集作为测试集，由此进行测试。
[0038]
进一步的，s3中，构建基于sea-unet的网络分割模型，原始的unet模型包含两个基本部分：编码器和解码器，编码器由卷积层和池层组成，卷积层生成特征映射，而池化层不断降低这些特征映射的维数，以获得更多具有更显著空间不变性的关键特征，通过降低特征图的分辨率减少了模型的计算消耗，解码器将编码器生成的独特的低分辨率特征投射到更高分辨率的像素空间，以实现紧凑的像素级标记，为进一步提高unet模型的分割准确率，在编码阶段通过使用inception模块代替卷积层，通过使用inception模块用于解决图像内容差异不能有效提取图像信息，其核心是将某一层网络卷积核拆分成不同尺寸的卷积核，如3
×
3的卷积核拆分成1
×
1,3
×
3的卷积核，增加输出网络层的尺寸，若使用1
×
1和3
×
3的卷积核，提取图像信息，获取的图像信息较单一卷积核更丰富，同时小卷积核可提取更小目标的信息，更有效利用图像信息，为了提取更多、更重要的特征信息，通过使用senet中的squeeze和excitation方法改进inception模块中的卷积层用于提高模型的特征提取能力，其中senet模块的核心思想在于建模通道之间的相互依赖关系，通过网络的全局损失函数自适应的重新矫正通道之间的特征相应强度，其中senet由一些列se block组成，一个se block的过程分为squeeze和excitation两个步骤，其中squeeze通过在feature map层上执行global average pooling得到当前feature map的全局压缩特征向量，excitation通过两层全连接得到feature map中每个通道的权值，并将加权后的feature map作为下一层网络的输入，senet中squeeze模块和excitation模块具体表示如下：
[0039]
其中特征图的维度为h*w*c，uc(*)为卷积操作，σ表示relu激活函数，g表示sigmoid激活函数，分别是两个全连接层的权值矩阵，得到门控单元s后，最后的输出表示为s和u的向量积：其中是的一个特征通道的一个feature map，sc是门控单元s(向量)中的一个标量值，为了有效改善网络模型的性能，通过使用空间金字塔池化替换编码过程中的池化层，该模块可以把任何尺度图像的卷积特征统一成相同维度，该方法的优点是对输入图像大小和比例不敏感，可以避免对原始图像的裁剪和变形操作，并输出固定长度的特征向量，有效改善网络模型的性能，取得更优的分割性能。
[0040]
进一步的，s4中，当模型的损失函数不再降低之后，保存模型，其中生成器g和鉴别
器d所用的损失函数如下：
[0041][0042]
其中j(θ)为参数θ的偏导数；y(i)为第i个样本x(i)的标签；m为样本数量；h
θ
(*)为样本预测正确的概率；之后使用adam算法对网络模型的参数进行更新，adam算法是一种基于适应性低阶矩估计的算法，可对随机目标函数执行一阶梯度优化。adam算法容易实现，并且有极高的计算效率和较低的内存需求。adam算法梯度的对角缩放具有不变性，因此很适合求解带有大规模数据或参数的问题。
[0043]
进一步的，s5中，为了评估模型的训练效果，通过使用dice和iou作为分割准确率的评价指标，该评估方法公式如下：
[0044][0045]
其中x为预测的图像区域，y为真实的图像区域。
[0046]
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
技术特征：average pooling得到当前feature map的全局压缩特征向量，excitation通过两层全连接得到feature map中每个通道的权值，并将加权后的feature map作为下一层网络的输入，senet中squeeze模块和excitation模块具体表示如下：其中特征图的维度为h*w*c，uc(*)为卷积操作，σ表示relu激活函数，g表示sigmoid激活函数，分别是两个全连接层的权值矩阵，得到门控单元s后，最后的输出表示为s和u的向量积：其中是的一个特征通道的一个feature map，s
c
是门控单元s(向量)中的一个标量值，为了有效改善网络模型的性能，通过使用空间金字塔池化替换编码过程中的池化层，该模块可以把任何尺度图像的卷积特征统一成相同维度，该方法的优点是对输入图像大小和比例不敏感，可以避免对原始图像的裁剪和变形操作，并输出固定长度的特征向量，有效改善网络模型的性能，取得更优的分割性能。5.根据权利要求4所述的一种基于sea-unet的心脏图像分割方法，其特征在于：s4中，当模型的损失函数不再降低之后，保存模型，其中生成器g和鉴别器d所用的损失函数如下：其中j(θ)为参数θ的偏导数；y
(i)
为第i个样本x
(i)
的标签；m为样本数量；h
θ
(*)为样本预测正确的概率；之后使用adam算法对网络模型的参数进行更新。6.根据权利要求5所述的一种基于sea-unet的心脏图像分割方法，其特征在于：s5中，为了评估模型的训练效果，通过使用dice和iou作为分割准确率的评价指标，该评估方法公式如下：其中x为预测的图像区域，y为真实的图像区域。
技术总结本发明属于图像分割技术领域，具体涉及一种基于SEA-Unet的心脏图像分割方法，包括如下步骤：数据收集：收集相关的心脏公共数据集，该数据集中包含MRI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；数据预处理：预处理包括归一化、数据切割，统一数据尺度大小等方法，用于保证模型训练效果；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；模型保存：当模型的损失函数不再降低之后，保存模型；性能评估：利用相关的评价指标评估模型生成的样本效果。本发明提高模型对重要特征的提取性能。最后使用空间金字塔池化有效改善网络模型的分割性能，取得更优的分割结果。取得更优的分割结果。取得更优的分割结果。
技术研发人员：王小华 潘晓光 焦璐璐 韩锋 张雅娜 张娜
受保护的技术使用者：山西三友和智慧信息技术股份有限公司
技术研发日：2022.03.28
技术公布日：2022/7/5
