CN119478427A 基于心脏医学图像的左心房及左心房瘢痕自动分割方法 （西北工业大学）

基于心脏医学图像的左心房及左心房瘢痕有技术存在的左心房和左心房瘢痕分割精度不ConstrainedMutil_AttentionU_Net模型进行模型对处理后的测试数据进行分割，得到5个分2S2、将处理后的训练数据通过5折交叉验证的训练方法对Bound2.根据权利要求1所述的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，其S11、将训练数据和测试数据的空间分辨率分别重采样为0.625mmx0.625mmx2.5mm，S13、将第二训练数据和第二测试数据分别随机裁剪为分辨率大小为128x128x32的3.根据权利要求1所述的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，其多层次参数共享的金字塔池化模块，设置于三维SwinUNETER模型的编码器和解码器4.根据权利要求3所述的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，其S212、第二分支和第三分支分别沿着不同的轴旋转三维SwinUNETER模型中的SwinS213、将步骤S212得到的两组旋转特征均通过深度注意力S214、将步骤S213得到的每一组的深度注意力系数和空5.根据权利要求3所述的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，其3S222、在标注端，使用不同卷积步长的二维拉普拉斯S224、将步骤S222得到的1倍的边缘特征和步骤S223得到的三个边缘特征通过1x1卷S226、利用步骤S225得到的多个多尺度边界损失函数和LS约束BoundaryLossConstrainedMutil_AttentionU_Net模型的训练过程。6.根据权利要求3所述的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，其特征在于，多层次参数共享的金字塔池化模块通过先将空洞金字塔池化块修改为三维形7.根据权利要求6所述的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，其8.根据权利要求1所述的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，其9.根据权利要求8所述的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，其;其中，Lna为类不平衡混合损失函数，为在线难样本挖掘交叉熵损失函数，。4结构不规则且伴随着经常性的快速收缩。导管消融术是一种用于治疗心房颤动的微创手准确定量是评估导管消融治疗质量的关键前提和指标。近年来，延迟钆增强（Late割算法对于导管消融过程的评估和心房颤动的脏数据的背景像素通常占据整个图像的很大一部分，与心房和瘢痕的比例像素总数非常5S2、将处理后的训练数据通过5折交叉验证的训练方法对BoundaryLossS11、将训练数据和测试数据的空间分辨率分别重采样为0.625mm×0.625mm×[0007]优选的，步骤S2中，BMAU_Net模型包含三维SwinUNETER模型、多方向注意力（Multi_OrientationAttentionBlock，MOAB）模块、多尺度边界损失（Multi_ScaleBoundaryLossBlock，MSBLB）模块和多层次参数共享的金字塔池化（Multi_Level多层次参数共享的金字塔池化模块，设置于三维SwinUNETER模型的编码器和解S211、第一分支为原始轴特征分支，对由三维SwinUNETER模型中的SwinS212、第二分支和第三分支分别沿着不同的轴旋转三维SwinUNETER模型中的6的真实标签进行比较，并计算出多个多尺度边界损失函数和;S226、利用步骤S225得到的多个多尺度边界损失函数和LS约束BMAU_Net模型的训练过程。;其中，Lna为类不平衡混合损失函数，为在线难样本挖掘交叉熵损失函数，Lcpee为广义Dice损失函数，为Focal损失函数，LSW为多尺度边界损失函数，结构和离散分布的左心房瘢痕的分割性能；再通过MSBLB模块从多个尺度计算预测和真实[0015]（2）与其他基于深度学习技术的两阶段方法相比，本发明仅通过使用单阶段的7[0016]图1为本发明实施例提供的基于心脏医学图像的左心房及左心房瘢痕自动分割方图7为MSBLB模块消融研究的分割结果可视化图a）为Scale=0[0017]下面将结合本发明实施例的图1至图8，对本发明实施例中的技术方案进行清楚、[0018]如图1所示，本发明实施例提供了一种基于心脏医学图像的左心房及左心房瘢痕S11、将训练数据和测试数据的空间分辨率分别重采样为0.625mm×0.625mm×S12、按照均值方差归一化方法对第一训练数据和第一测试数据分别进行强度值归一化，得到第二训练数据和第二测试数据；具体为对数据中的每个切片按照公式8注意力（MOAB）模块、多尺度边界损失（MSBLB）模块和多层次参数共享的金字塔池化多层次参数共享的金字塔池化模块，设置于三维SwinUNETER模型的编码器和解[0021]本发明实施例所提出的BMAU_Net模型是基于三维SwinUNETER模型改进得到，具S211、第一分支为原始轴特征分支，对由三维SwinUNETER模型中的SwinS212、第二分支和第三分支分别沿着不同的轴旋转三维SwinUNETER模型中的[0023]图3为MOAB模块结构图，MOAB模块旨在捕捉三个不同轴上的左心房和左心房瘢痕由SwinTransformer模块提取的原始特征不做任何操作；第二个和第三分支分别沿着不同的轴旋转输入特征（即SwinTransformer模块提取的原始特征然后通过深度注意力模块9的真实标签进行比较，并计算出多个多尺度边界损失函数和;S226、利用步骤S225得到的多个多尺度边界损失函数和LS约束BMAU_Net模型的训练过程。的边缘位置，瘢痕由分散在左心房壁上的多个小区域组成。这大大增加了模型学习左心房CMR的边缘特征和真实标签，然后通过将边缘特征与不同解码阶段生成的特征图进行比较在训练过程中，将在不同解码器阶段生成的特征图分别与融合的边缘特征进行比较并计算出损失函数。结合多个边界损失函数和约束模型训练过程。每层边界损失函数表示为由交叉熵损失函数的二维ASPP块被扩展到3DMPASPP模块，MPASPP模块被放置在编码器和解码器之间的跳跃;;;[0028]Focal损失函数也是一种常见用来解决类不平衡问题的损失函数，它是对交叉熵损失的改进，通过引入了一个调制因子来调整易于分类和难以分类的样本的相对重要性，;;其中，Lna为类不平衡混合损失函数，为在线难样本挖掘交叉熵损失函数，Lcpee为广义Dice损失函数，Lrxa为Focal损失函数，LSW为多尺度边界损失函数，依据Dice系数、平均表面距离（AverageSurfaceDistance，ASD）和豪斯多夫距离[0030]下面对本发明实施例提供的基于心脏医学图像的左心房及左心房瘢痕自动分割（1）本发明实施例提出的BMAU_Net模型的性能在左心房和瘢痕量化和分割挑战[0031]训练数据包括60例接受导管消融手术的患者的三维LGECMR图像，每个训练数据;;以在没有SAM影响的情况下提高Dice得分，但单独使用DAM会导致一些错误分类，如图6中;;;[0045]综上所述，本发明提出的基于心脏医学图像的左心房及左心房瘢痕自动分割方法，可以在LGECMR图上实现左心房和左心房瘢痕的精确分割，本发明具体在三维