CN114663445B 一种基于多尺度边缘感知的三维心脏图像分割方法 （重庆邮电大学）

一种基于多尺度边缘感知的三维心脏图像本发明公开了一种基于多尺度边缘感知的搜集整理的心脏磁共振图像数据集进行数据增利用训练得到的模型对其他的心脏磁共振图像缘感知的三维卷积神经网络训练得到的模型可2(2)利用步骤(1)处理后得到的心脏磁共振图像数据集对多尺度边缘感知的三维卷积所述多尺度特征提取模块使用多分支的级联多尺度卷积操作和多尺度池化操作来提图与该模块最终生成的特征图直接相加；所述五个多尺度卷积分支包括一个内核大小为1×1×1的空洞卷积和四个卷积核大小为3×3×3的级联空洞卷积，将深度维度的膨胀率设所述特征融合模块使用1×1×1的卷积使输入的边缘特征图和语义特征图通道数一用3×3×3的卷积来学习两种特征图的位置偏移量，通过学习到的偏移量将两种输入的边缘特征图放大到和语义特征图大小一致再相加得到最终的化算法最小化Focal损失函数来对预测的结果进行优化，并且计算了生成目标的损失Lseg、目标边缘的损失Lcontour和中间生成结果的损失La,公式如下：其中λ13[0001]本发明涉及基于多尺度边缘感知的三维心脏图像分割方法，属于数字图像处理、[0003]计算机辅助诊断(CAD)是重要的辅助技术之一，在许多临床情况下可以帮助医生管疾病(CVDs)诊断提供了重要手段，特别是晚期钆增强(LGE)CMR序列可显示心肌梗塞基于深度学习的医学图像分割方法。受卷积神经网络(CNN)在计算机视觉中的巨大成功的4[0006](1)对搜集整理的心脏磁共振图像数据集进行数据增广，包括通过随机旋转、平[0007](2)利用步骤(1)处理后得到的心脏磁共振图像数据集对多尺度边缘感知的三维的边缘特征和语义特征的偏移量并将这两种[0010]进一步地，所述五个多尺度卷积分支包括一个内核大小为1×1×1的空洞卷积和[0013]进一步地，所述特征融合模块使用1×1×1的卷积使输入的边缘特征图和语义特征融合模块使用3×3×3的卷积来学习两种特征图的位置偏移量，通过学习到的偏移量将两种输入的边缘特征图放大到和语义特征图大小一致再相加得到最终的下降优化算法最小化Focal损失函数来对预测的结果进行优化，并且计算了生成目标的损5[0020](2)是一个端到端的网络，输入一幅心脏磁共振图像即可得到目标区域而无需其[0021](3)本发明既提取了边缘特征也提取了多尺度语义特征，将这两种特征向量进行融合发挥它们的协同作用，因此对较为难以分割的心脏磁共振图像也能有较好的分割效[0022](4)本发明提出了一个特征融合模块来将不同尺度的边缘特征图和语义特征图进[0031]图7是心脏磁共振图像1(图6左图)经过多尺度边缘感知的三维卷积神经网络得到[0033]图9是心脏磁共振图像2(图8左图)经过多尺度边缘感知的三维卷积神经网络得到6[0040]第四步：利用第三步训练得到的模型对其他的心脏磁共振图像(非训练过程中使[0043]在特征融合模块中，本发明使用1×1×1的卷积使输入的边缘特征图和语义特征融合模块使用3×3×3的卷积来学习两种特征图的位置偏移量，通过学习到的偏移量将两种输入的边缘特征图放大到和语义特征图大小一致再相加得到最[0044]在训练过程中，本发明通过Adam梯度下降优化算法最小化Focal损失函数来对预[0048]在一台计算机上进行验证实验，该计算机的配置，Inteli7-8700六核处理器，[0050]在本实验过程中，我们搜集并整理了两种公开的心脏磁共振图像，并将其中的试多尺度边缘感知的三维卷积神经网络的分7