三维左心房分割方法、装置、终端设备及存储介质与流程
本申请属于医学图像处理技术领域，尤其涉及一种三维左心房分割方法、装置、终端设备及计算机可读存储介质。
背景技术：
医学图像是指利用计算机断层扫描ct、磁共振成像mri、b超或者正电子发射型计算机断层显像pet等等医疗成像设备获取的图像数据，其一般是以二维切片形式组成的三维图像数据。医学图像的分割是处理医学图像的关键手段，其是指将医学图像中具有特殊涵义的不同区域区分开，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。
心房颤动又名房颤是常见的心律失常类型，由于对人心房结构缺乏了解，导致目前房颤治疗效果不佳。钆造影剂被应用于mri扫描，以提高患者内部结构图像的清晰度，钆增强磁共振成像ge-mri是评价心房纤维化的重要工具。
而为了更加了解心房结构，往往需要对mri图像进行心房分割。目前，从三维ge-mri图像中分割左心房la是很有挑战性的。左心房la与背景的对比度差，降低了左心房la边界的可见性；在扫描过程中，患者呼吸节律不规律和心率变异性，图像质量可能受到影响。近年来，随着深度学习的迅速发展，人们提出了几种全自动的左心房la分割方法。例如，可以在具有自适应融合策略的多视图卷积神经网络中，分别将三维数据从轴向、矢状面和冠状面分别解析为二维分量，然后对每个分量分别进行多视点卷积神经网络分析；也可以采用convlstm构成的扩展残差网络和序贯学习网络，扩展了多视点学习策略。但是，现有基于三维ge-mri图像分割左心的房方法性能低下。
技术实现要素：
有鉴于此，本申请实施例提供一种三维左心房分割方法、装置、终端设备及计算机可读存储介质，以解决现有心脏磁共振图像的性能低下的问题。
本申请实施例的第一方面提供了一种三维左心房分割方法，包括：
获取待分割心脏磁共振图像；
从所述待分割心脏磁共振图像中分割出roi区域，所述roi区域为包含三维左心房的区域；
将所述roi区域输入预先训练的层次聚合网络模型，得到所述待分割心脏磁共振图像的分割结果；
其中，所述层次聚合网络模型为包括编码器路径和解码器路径的u-net卷积神经网络模型，所述编码器路径包括至少一个分层聚合模块，所述分层聚合模块包括作为主干分支的层次聚合单元和作为掩码分支的注意单元。
结合第一方面，在一种可能的实现方式中，所述从所述待分割心脏磁共振图像中分割出roi区域，包括：
通过预训练u-net卷积神经网络对所述待分割心脏磁共振图像进行检测，得到roi区域检测结果；其中，所述预训练u-net卷积神经网络的每一级具有两个卷积层；
根据所述roi区域检测结果对所述待分割心脏磁共振图像进行裁剪，得到所述roi区域。
结合第一方面，在一种可能的实现方式中，所述层次聚合单元包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，每个卷积层后均连接有批量归一化和校正线性单元；
其中，所述第一卷积层与所述第二卷积层级联，将级联结果输入所述第三卷积层；对所述第三卷积层进行卷积运算得到所述第四卷积层，所述第三卷积层和所述第四卷积层连接生成所述第五卷积层；
所述注意单元包括第六卷积层、第七卷积层和乙状结构层，所述第六卷积层依次通过批量归一化和所述校正线性单元与所述第七卷积层连接；所述乙状结构层为
所述分层融合模块的输出为
结合第一方面，在一种可能的实现方式中，在所述获取待分割心脏磁共振图像之前，还包括：
获取训练样本和与所述训练样本对应的标签信息；
根据所述标签信息，从所述训练样本中分割出相应的目标roi区域；
根据所述目标roi区域，对预先建立的所述层次聚合网络模型进行模型训练。
结合第一方面，在一种可能的实现方式中，所述根据所述标签信息，从所述训练样本中分割出相应的目标roi区域，包括：
将所述训练样本统一调整至第一预设形状；
将所述第一预设形状的训练样本输入预先训练的u-net卷积神经网络，得到目标roi区域检测结果；
将各所述训练样本从所述第一预设形状调整至各训练样本的原本形状；
根据所述roi区域检测结果和所述标签信息，从所述训练样本中分割出相应的所述目标roi区域。
结合第一方面，在一种可能的实现方式中，所述根据所述目标roi区域检测结果和所述标签信息，从所述训练样本中分割出相应的所述目标roi区域，包括：
判断所述目标roi区域检测结果是否包含所述标签信息；
当所述目标roi区域检测结果未包含所述标签信息时，则将所述目标roi区域扩展为预设目标区域；
从所述训练样本中裁剪出所述预设目标区域，将所述预设目标区域作为所述目标roi区域；
当所述目标roi区域检测结果包含所述标签信息时，从所述训练样本中裁剪出所述目标roi区域。
本申请实施例的第二方面提供一种三维左心房分割装置，包括：
获取模块，用于获取待分割心脏磁共振图像；
roi区域分割模块，用于从所述待分割心脏磁共振图像中分割出roi区域，所述roi区域为包含三维左心房的区域；
分割模块，用于将所述roi区域输入预先训练的层次聚合网络模型，得到所述待分割心脏磁共振图像的分割结果；
其中，所述层次聚合网络模型为包括编码器路径和解码器路径的u-net卷积神经网络模型，所述编码器路径包括至少一个分层聚合模块，所述分层聚合模块包括作为主干分支的层次聚合单元和作为掩码分支的注意单元。
结合第二方面，在一种可能的实现方式中，所述roi区域分割模块包括：
roi区域检测单元，用于通过预训练u-net卷积神经网络对所述待分割心脏磁共振图像进行检测，得到roi区域检测结果；其中，所述预训练u-net卷积神经网络的每一级具有两个卷积层；
roi区域裁剪单元，用于根据所述roi区域检测结果对所述待分割心脏磁共振图像进行裁剪，得到所述roi区域。
结合第二方面，在一种可能的实现方式中，所述层次聚合单元包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，每个卷积层后均连接有批量归一化和校正线性单元；
其中，所述第一卷积层与所述第二卷积层级联，将级联结果输入所述第三卷积层；对所述第三卷积层进行卷积运算得到所述第四卷积层，所述第三卷积层和所述第四卷积层连接生成所述第五卷积层；
所述注意单元包括第六卷积层、第七卷积层和乙状结构层，所述第六卷积层依次通过批量归一化和所述校正线性单元与所述第七卷积层连接；所述乙状结构层为
所述分层融合模块的输出为
结合第二方面，在一种可能的实现方式中，还包括：
训练样本获取模块，用于获取训练样本和与所述训练样本对应的标签信息；
目标roi区域分割模块，用于根据所述标签信息，从所述训练样本中分割出相应的目标roi区域；
训练模块，用于根据所述目标roi区域，对预先建立的所述层次聚合网络模型进行模型训练。
结合第二方面，在一种可能的实现方式中，所述目标roi区域分割模块包括：
第一调整单元，用于将所述训练样本统一调整至第一预设形状；
检测单元，用于将所述第一预设形状的训练样本输入预先训练的u-net卷积神经网络，得到目标roi区域检测结果；
第二调整单元，用于将各所述训练样本从所述第一预设形状调整至各训练样本的原本形状；
分割单元，用于根据所述roi区域检测结果和所述标签信息，从所述训练样本中分割出相应的所述目标roi区域。
结合第二方面，在一种可能的实现方式中，所述分割单元包括：
判断子单元，用于判断所述目标roi区域检测结果是否包含所述标签信息；
扩展子单元，用于当所述目标roi区域检测结果未包含所述标签信息时，则将所述目标roi区域扩展为预设目标区域；
第一裁剪子单元，用于从所述训练样本中裁剪出所述预设目标区域，将所述预设目标区域作为所述目标roi区域；
第二裁剪子单元，用于当所述目标roi区域检测结果包含所述标签信息时，从所述训练样本中裁剪出所述目标roi区域。
本申请实施例的第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述三维左心房分割方法的步骤。
本申请实施例的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述三维左心房分割方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过从待分割心脏磁共振图像中分割出包含三维左心房的roi区域，将该roi区域作为网络模型的输入，可以大大减少计算量，同时也可以大大降低图像背景的干扰，从而提高了三维左心房分割的效率和准确率；利用层次聚合网络模型对roi区域进行分割，该层次聚合网络模型通过分层聚合模块对同一阶段不同深度的连续层进行迭代融合，提高了网络模型的浅层和深层的特征融合能力，能得到更好融合信息，还将注意单元作为掩码分支附加至编码器部分的每个阶段，从而可以利用浅层的空间信息逐步增强具有丰富语义信息的深层轮廓特征，通过将层次聚集和注意力机制相结合，大大提高了三维左心房分割的效率和准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种三维左心房分割方法的流程示意框图；
图2为本申请实施例提供的基于注意力的层次聚合网络结构示意图；
图3为本申请实施例提供的一种三维左心房分割方法的另一种流程示意框图；
图4为本申请实施例提供的步骤s302的具体流程示意框图；
图5为本申请实施例提供的unet-2和haanet-3的骰子值的比较结果示意图；
图6为本申请实施例提供的二维分割结果和三维分割结果的比较示意图；
图7为本申请实施例提供的一种三维左心房分割装置的结构示意框图；
图8为本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
实施例一
请参见图1，为本申请实施例提供的一种三维左心房分割方法的流程示意框图，该方法可以包括以下步骤：
步骤s101、获取待分割心脏磁共振图像。
步骤s102、从待分割心脏磁共振图像中分割出roi区域，roi区域为包含三维左心房的区域。
需要说明的是，上述roi区域(regionofinterest，感兴趣区)包含整个三维体积的左心房区域，在该roi区域中，左心房所占的百分比较大，图像背景区域所占的百分比极小。一般情况下，在每个待分割心脏磁共振图像中，左心房所占的百分比很小，背景区域所占的百分比较大。也就是说，待分割心脏磁共振图像中的大部分体积数据对于左心房分割任务是无用，假如以整幅待分割心脏磁共振图像作为网络模型的输入的话，会让很多的无用数据参与计算，计算量较大从而影响计算效率，同时也是对计算资源的巨大浪费。此外，由于在图像中左心房的区域和背景之间的对比都很低，假如以整幅待分割心脏磁共振图像作为网络模型的输入的话，大范围背景区域、周围组织等会对左心房分割造成极大的干扰，从而降低分割准确率。
而从图像中分割出roi区域后，再以roi区域作为后续计算和分割的基础，这样能极大地减少计算量，有助于减轻周围组织、背景对分割的影响，从而极大地提高分割效率和准确率。
在一些实施例中，可以利用u-net卷积神经网络对待分割心脏磁共振图像进行检测，以得到左心房的预估结果，然后再裁剪出相应的区域作为roi区域。故上述从待分割心脏磁共振图像中分割出roi区域的具体过程可以包括：通过预训练u-net卷积神经网络对待分割心脏磁共振图像进行检测，得到roi区域检测结果；其中，预训练u-net卷积神经网络的每一级具有两个卷积层；根据roi区域检测结果对待分割心脏磁共振图像进行裁剪，得到roi区域。
可以理解的是，u-net卷积神经网络是指整体网络结构与字母“u”类似的卷积神经网络，其可以看作卷积神经网络的变形，具体包括收缩路径和扩展路径。此处的u-net网络的每一级均具有两个卷积层。关于u-net的具体网络构造已被本领域技术人员所熟知，在此不再赘述。
预先利用训练样本对该u-net卷积神经网络进行训练，训练完成后，将该u-net卷积神经网络作为roi检测网络，以分割出相应的roi区域。
具体应用中，可以将待分割心脏磁共振图像调整至一个固定的形状，然后再输入至训练好的u-net卷积神经网络，得到神经网络的输出结果，该输出结果是一个粗略的预测结果，根据该预测结果可以定位出左心房区域在整幅待分割心脏磁共振图像的区域位置。定位出左心房所在区域之后，可以将待分割心脏磁共振图像调整回其原始形状，然后再将相应的区域进行裁剪，裁剪得到的区域即为roi区域。
可以看出，此处首次利用u-net卷积神经网络作为roi检测网络，通过u-net在医学图像处理上的特点，可以进一步提高左心房分割的效率和准确率。
当然，也可以使用其他roi区域分割方法，在此不再限定。
步骤s103、将roi区域输入预先训练的层次聚合网络模型，得到待分割心脏磁共振图像的分割结果。其中，层次聚合网络模型为包括编码器路径和解码器路径的u-net卷积神经网络模型，编码器路径包括至少一个分层聚合模块，分层聚合模块包括作为主干分支的层次聚合单元和作为掩码分支的注意单元。
需要说明的是，上述层次聚合网络模型是指结合分层融合和注意力机制的三维卷积神经网络，可以将该网络命名为基于注意力的层次聚合网络模型(attentionbasedhierarchicalaggregationnetwork，haanet)。
该层次聚合网络模型是基于u-net卷积神经网络的模型，其包括编码器路径和解码器路径。编码器路径包括至少一个分层聚合模块(attentionbasedhierarchicalaggregaitionmodule，haam)，分层聚合模块包括作为主干分支的层次聚合单元(hierarchicalaggregaitionunit，hau)和作为掩码分支的注意单元(attentionunit，au)。其解码器路径与u-net相同，具体由多个重复的卷积层组成，然后是批量归一化(batchnormalization，bn)和校正线性单元relu。
上述层次聚合单元hau可以包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，每个卷积层后均连接有批量归一化bn和校正线性单元relu；其中，第一卷积层与第二卷积层级联，将级联结果输入第三卷积层，使第三卷积层屈服；对第三卷积层进行卷积运算得到第四卷积层，第三卷积层和第四卷积层连接生成第五卷积层。
在该层次聚合单元中，所有卷积运算的核大小可以设置为3x3x3，步长可以为(2，2，2)。利用bn和relu对各阶段进行采样。
需要说明的是，神经网络中的较深层次包含更多的语义信息，较浅层包含更多空间信息，采用分层融合可以提高分层特征表示能力。而由于三维图像分割任务的计算量较大，可以在每隔阶段聚集不同的层数，在每个阶段聚集了三个不同深度的层，以形成hau。
上述注意单元au包括第六卷积层、第七卷积层和乙状结构层，第六卷积层依次通过批量归一化bn和校正线性单元relu与第七卷积层连接；乙状结构层为
需要说明的是，不同的病人的左心房形状可能有很大的差异，以及卷积神经网络的下采样操作容易随着深度的加深而丢失空间信息，这两个因素可以影响分割精度。为了缓解上述两个因素对分割精度的影响，此处在每个阶段都将注意力机制作为一个掩码分支整合至编码器网络。通过该注意单元，可以将特征映射的值进行归一化，以获得注意掩码。
上述分层融合模块haam的输出为
需要说明的是，在获得注意掩码之后，可以在掩码分支和主干分支之间执行点产生操作。而由于注意力掩码的值是从0到1不等，故使用掩码分支重复制作点会降低特征映射的值，而注意力掩码可能会破坏主干分支的良好性能。为了解决这一问题，此次采用残差学习的方法，在主干分支的输入和输出之间进行完全一致的映射。
为了更好地介绍haanet的具体网络结构，下面将结合图2所示的基于注意力的层次聚合网络结构示意图进行介绍说明。
如图2所示，(a)为haanet的整体网络结构图，(b)为hau的网络结构图，(c)为au的网络结构图，(d)为haam的网络结构图。其中，haam包括hau和au，au包括3x3x3的卷积层、批量归一化、relu、1x1x1的卷积层以及sigmoid，sigmoid也叫logistic函数，用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间，可以用来做二分类，在特征相差比较复杂或是相差不是特别大时效果比较好。乙状结构层在图中未示出。hau包括卷积层l1、l2、l3、l4、l5，每个卷积层conv均连接有bn和relu。concat是卷积神经网络中常用的函数之一。
本实施例中，通过从待分割心脏磁共振图像中分割出包含三维左心房的roi区域，将该roi区域作为网络模型的输入，可以大大减少计算量，同时也可以大大降低图像背景的干扰，从而提高了三维左心房分割的效率和准确率；利用层次聚合网络模型对roi区域进行分割，该层次聚合网络模型通过分层聚合模块对同一阶段不同深度的连续层进行迭代融合，提高了网络模型的浅层和深层的特征融合能力，能得到更好融合信息，还将注意单元作为掩码分支附加至编码器部分的每个阶段，从而可以利用浅层的空间信息逐步增强具有丰富语义信息的深层轮廓特征，通过将层次聚集和注意力机制相结合，大大提高了三维左心房分割的效率和准确率。
实施例二
请参见图3，为本申请实施例提供的一种三维左心房分割方法的另一种流程示意框图，该方法可以包括以下步骤：
步骤s301、获取训练样本和与训练样本对应的标签信息。
需要说明的是，上述训练样本是指包含三维左心房区域的心脏磁共振图像，标签信息是指训练样本对应的正确分割结果信息。
步骤s302、根据标签信息，从训练样本中分割出相应的目标roi区域。
具体地，基于该训练样本对应的正确分割结果信息，判断所分割出的目标roi区域是否符合训练要求，如果符合，则可以利用所分割出的目标roi区域进行后续训练，如果不符合，则可以重新定位目标区域，裁剪重新定位的区域作为目标roi区域。
在一些实施例中，参见图4示出的步骤s302的具体流程框图，上述根据标签信息，从训练样本中分割出相应的目标roi区域的过程具体包括：
步骤s401、将训练样本统一调整至第一预设形状。
可以理解的是，上述第一预设形状可以根据实际需要进行设定，其形状由(z轴，高度，宽度)决定。例如，可以设为(64，128，128)。
步骤s402、将第一预设形状的训练样本输入预先训练的u-net卷积神经网络，得到目标roi区域检测结果。
步骤s403、将各训练样本从第一预设形状调整至各训练样本的原本形状。
步骤s404、根据roi区域检测结果和标签信息，从训练样本中分割出相应的目标roi区域。
也就是说，在得到目标roi区域的预估结果之后，可以将各个训练样本的形状调整成各自的原始形状，即将各样本的z轴、高度、宽度等参数调整回原来的参数。然后，在根据该roi区域检测结果和标签信息，分割目标roi区域。
其中，预训练u-net卷积神经网络的输出结果可能存在误差，即所定位的区域不是实际的左心房所在区域，如果还继续裁剪该区域作为目标roi区域进行后续训练，会使得所训练的网络模型不准确，此时，则可以重新定位目标区域，即重新确定左心房所在区域，然后再裁剪相应的区域作为目标roi区域，以保证后续模型的训练准确性。
在一些实施例中，上述根据目标roi区域检测结果和标签信息，从训练样本中分割出相应的目标roi区域的具体过程包括：判断目标roi区域检测结果是否包含标签信息；当目标roi区域检测结果未包含标签信息时，则将目标roi区域扩展为预设目标区域；从训练样本中裁剪出预设目标区域，将预设目标区域作为目标roi区域；当目标roi区域检测结果包含标签信息，从训练样本中裁剪出目标roi区域。
可以理解的是，由于便签是训练样本对应的正确分割结果，如果所确定的目标roi区域内没有包含该便签，则可以认为定位错误，所定位出的区域不是实际的左心房区域。在预估错误时，可以扩展目标区域，以确保整个原始目标即三维左心房区域被明确地裁剪出来。如果目标roi区域内包含该便签，则可以认为定位正确，即所预估的左心房区域是正确的，此时可以直接裁剪所预估的区域作为目标roi区域。
上述将目标roi区域扩展至预设目标区域是指基于所预估的目标roi区域进行扩展，扩展至一定的区域后，则可以将该预设目标区域进行裁剪，作为目标roi区域，即将该预设目标区域作为训练模型的输入。
可以看出，通过便签信息进行训练可以保证模型训练的准确性。
步骤s303、根据目标roi区域，对预先建立的层次聚合网络模型进行模型训练。
当然，在训练之后，可以通过利用测试样本进行测试，当模型的相关参数符合一定的要求后再利用该模型进行待分割心脏磁共振图像的三维左心房分割。
步骤s304、获取待分割心脏磁共振图像。
步骤s305、从待分割心脏磁共振图像中分割出roi区域，roi区域为包含三维左心房的区域。
步骤s306、将roi区域输入预先训练的层次聚合网络模型，得到待分割心脏磁共振图像的分割结果。
需要说明的是，步骤s304～s306与上述实施例一的步骤s101～s103相同，具体介绍请参见上文相应内容，在此不再赘述。
为了比较本申请实施例的三维左心房分割方法与其他分割方法的准确率，下面将结合一个具体的实验进行说明。
本实验采用的数据集为2018年心房分割挑战中为左心房分割提供了100个训练数据。数据的原始分辨率为0.625×0.625×0.625mm3，每个样品在z轴上有88片。因为没有发布验证数据，从训练数据集中随机分离出10个病人数据作为验证数据来测试所提出的模型，因此，有90个病人数据进行培训，10个病人数据进行验证。在训练过程中，我们将roi区域的形状调整为固定大小(88，80，128)，以输入haanet模型。数据增强可以用于扩展我们的训练集，以减轻训练过程中的过度适应。在随机的基础上，数据沿z轴旋转0～2π度，在0.8～1.2范围内进行缩放，并沿z轴进行镜像和平移变换。此外，还采用了γ变换，其范围为0.8～1.3。最后，在完成上述转换后，采用z评分标准.值得注意的是，所有转换都不是以50％的概率执行的。通过应用这些随机数据增强方法，理论上可以有无限的训练数据，这些随机数据增强方法是在每次迭代的训练阶段执行的。
关于实验的培训协议：在此次实验中，对于三维u-net和haanet网络，在网络的第一阶段将卷积层的通道数设置为8，并将信道数增加了一倍。每一次下采样操作一直进行到第五阶段。训练批次大小设置为8，haanet网络通过adam算法进行优化。每个时期都有100次迭代。学习速率初始化为1e-3，并随因子0.1衰减当在5个周期内没有发生任何更新时。骰子损失作为损失函数，并表示为：
其中，ytrue表示训练标签，ypred表示我们网络的输出。
haanet网络由keras2.1.5实现，它使用tensorflow1.4作为后端，该模型在nvidiageforcegtx1080tigpu上进行了训练和测试，该gpu是在一个64位的ubuntu16.04平台上开发的，使用intelrcoretmi5-7640xcpu@4.00ghz×4，32gb内存(ram)。
关于此次实验的设置：实验的目的是评估hau和au的有效性，评价标准为骰子系数，显示预测值与真实值的符合程度。做了六个la分割实验，即unet-2，hanet-2，haanet-2，unet-3，hanet-3，haanet-3，后缀数表示网络中每个阶段的卷积层数，顺便说一句，unet-2也用于roi检测，但输入形状不同。hanet表示没有注意单元的体系结构，haanet表示我们基于注意力的分层聚合网络。为了平等地比较这些模型的不同之处，所有六个网络都设置了相同的超参数和上文提到的相同的培训协议。
关于定量结果：将上述实验设置相同的6种网络方法应用于la分割。在这六个网络中，unet-2代表基线，每个阶段有两个卷积层，unet-3表示每个阶段三个相对于unet-2的卷积层。hanet-2和hanet-3表示拟议的网络，如图2(a)所示，但没有注意模块，在hanet-2和hanet-3中，hau分别有2层和3层卷积层，而具有两层卷积层的hau是图2(b)中所表示的包括l1、l2和l3在内的子模块。通过将au集成到hanet-2和hanet-3中获得haanet-2和haanet-3，从而进一步优化haanet-2和haanet-3.将逐步测试这六个网络，以证明hau和au的有效性。
下文表1显示了六种网络方法在验证数据上的比较结果。六个实验结果表明，与经典医学图像分割结构u-net相结合，hau和au相结合可以获得更好的分割效果。结果表明，基于注意的聚集模型是一种很有前途的la分割策略。
表1六种网络方法对验证数据的比较结果
关于分层聚合单元的性能：如表1所示，无论每个阶段有2层或3层，hanets的骰子值都高于unets的骰子值。分层聚合模块将传统的层叠卷积层融合为树结构，通过学习更丰富的特征来提高网络的性能。将不同层次的特征映射进行对比，可以保留浅层特征，集成不同接收场大小的卷积层，这对于语义分割是非常重要的。
关于注意力单元的性能：注意力机制是迫使网络聚焦于左心房这一目标的一种有效方法。通过乙状结构函数生成归一化中间掩码，所提出的haanets采用剩余注意力学习策略，将浅层卷积层的注意映射附加到每个阶段的整个块的输出上，这样不仅可以避免具有突破主干支路良好性能的潜力，也进一步提高了haanet网络的性能。在表1中，haanets比hanets表现得更好，显示了残余注意单元的有效性。
关于分割结果：通过将hau和au组合在一起，haanet-3获得了93.00的最高骰子。对unet-2和haanet-3的十个验证病人数据的骰子值如图5所示，其垂直轴表示骰子值，水平轴表示10个病人样本(a～j)。可以观察到，几乎所有的验证数据我们的haanet-3的骰子比unet-2要高一些，除了haanet-3的骰子值略低于样本i的unet-2。这一比较结果进一步说明了所提出的haanet在左心房三维分割中的应用前景。
图6(a)为unet-2和haanet-3的分割结果比较示意图，其说明了拟议的haanet-3和unet-2自动2dla分割结果。可以看到，haanet-3比unet-2有很好的优势，尤其是在mri的硬部分。图6(b)为三维分割结果示意图，其描述了itk-snap为6种不同患者重建的三维la分割结果，上边一列表示地面真相，下边一列表示haanet-3的三维分割结果。
本实施例中，利用u-net网络模型和标签信息裁剪roi区域，可以使得模型训练更加准确。且通过从待分割心脏磁共振图像中分割出包含三维左心房的roi区域，将该roi区域作为网络模型的输入，可以大大减少计算量，同时也可以大大降低图像背景的干扰，从而提高了三维左心房分割的效率和准确率；利用层次聚合网络模型对roi区域进行分割，该层次聚合网络模型通过分层聚合模块对同一阶段不同深度的连续层进行迭代融合，提高了网络模型的浅层和深层的特征融合能力，能得到更好融合信息，还将注意单元作为掩码分支附加至编码器部分的每个阶段，从而可以利用浅层的空间信息逐步增强具有丰富语义信息的深层轮廓特征，通过将层次聚集和注意力机制相结合，大大提高了三维左心房分割的效率和准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例三
请参见图7，为本申请实施例提供的一种三维左心房分割装置的结构示意框图，该装置可以包括：
获取模块71，用于获取待分割心脏磁共振图像；
roi区域分割模块72，用于从待分割心脏磁共振图像中分割出roi区域，roi区域为包含三维左心房的区域；
分割模块73，用于将roi区域输入预先训练的层次聚合网络模型，得到待分割心脏磁共振图像的分割结果；
其中，层次聚合网络模型为包括编码器路径和解码器路径的u-net卷积神经网络模型，编码器路径包括至少一个分层聚合模块，分层聚合模块包括作为主干分支的层次聚合单元和作为掩码分支的注意单元。
在一种可能的实现方式中，上述roi区域分割模块包括：
roi区域检测单元，用于通过预训练u-net卷积神经网络对待分割心脏磁共振图像进行检测，得到roi区域检测结果；其中，预训练u-net卷积神经网络的每一级具有两个卷积层；
roi区域裁剪单元，用于根据roi区域检测结果对待分割心脏磁共振图像进行裁剪，得到roi区域。
在一种可能的实现方式中，层次聚合单元包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，每个卷积层后均连接有批量归一化和校正线性单元；
其中，第一卷积层与第二卷积层级联，将级联结果输入第三卷积层；对第三卷积层进行卷积运算得到第四卷积层，第三卷积层和第四卷积层连接生成第五卷积层；
注意单元包括第六卷积层、第七卷积层和乙状结构层，第六卷积层依次通过批量归一化和校正线性单元与第七卷积层连接；乙状结构层为
分层融合模块的输出为
在一种可能的实现方式中，上述装置还包括：
训练样本获取模块，用于获取训练样本和与训练样本对应的标签信息；
目标roi区域分割模块，用于根据标签信息，从训练样本中分割出相应的目标roi区域；
训练模块，用于根据目标roi区域，对预先建立的层次聚合网络模型进行模型训练。
在一种可能的实现方式中，上述目标roi区域分割模块包括：
第一调整单元，用于将训练样本统一调整至第一预设形状；
检测单元，用于将第一预设形状的训练样本输入预先训练的u-net卷积神经网络，得到目标roi区域检测结果；
第二调整单元，用于将各训练样本从第一预设形状调整至各训练样本的原本形状；
分割单元，用于根据roi区域检测结果和标签信息，从训练样本中分割出相应的目标roi区域。
在一种可能的实现方式中，上述分割单元包括：
判断子单元，用于判断目标roi区域检测结果是否包含标签信息；
扩展子单元，用于当目标roi区域检测结果未包含标签信息时，则将目标roi区域扩展为预设目标区域；
第一裁剪子单元，用于从训练样本中裁剪出预设目标区域，将预设目标区域作为目标roi区域；
第二裁剪子单元，用于当目标roi区域检测结果包含标签信息，从训练样本中裁剪出目标roi区域。
需要说明的是，本实施例与上述各个三维左心房分割方法的实施例对应，相关介绍请参见上文相应内容，在此不再赘述。
本实施例中，通过从待分割心脏磁共振图像中分割出包含三维左心房的roi区域，将该roi区域作为网络模型的输入，可以大大减少计算量，同时也可以大大降低图像背景的干扰，从而提高了三维左心房分割的效率和准确率；利用层次聚合网络模型对roi区域进行分割，该层次聚合网络模型通过分层聚合模块对同一阶段不同深度的连续层进行迭代融合，提高了网络模型的浅层和深层的特征融合能力，能得到更好融合信息，还将注意单元作为掩码分支附加至编码器部分的每个阶段，从而可以利用浅层的空间信息逐步增强具有丰富语义信息的深层轮廓特征，通过将层次聚集和注意力机制相结合，大大提高了三维左心房分割的效率和准确率。
实施例四
图8是本申请一实施例提供的终端设备的示意图。如图8所示，该实施例的终端设备8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个三维左心房分割方法实施例中的步骤，例如图1所示的步骤s101至s103。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块或单元的功能，例如图7所示模块71至73的功能。
示例性的，所述计算机程序82可以被分割成一个或多个模块或单元，所述一个或者多个模块或单元被存储在所述存储器81中，并由所述处理器80执行，以完成本申请。所述一个或多个模块或单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。例如，所述计算机程序82可以被分割成获取模块、roi区域分割模块以及分割模块，各模块具体功能如下：
获取模块，用于获取待分割心脏磁共振图像；roi区域分割模块，用于从待分割心脏磁共振图像中分割出roi区域，roi区域为包含三维左心房的区域；分割模块，用于将roi区域输入预先训练的层次聚合网络模型，得到待分割心脏磁共振图像的分割结果；其中，层次聚合网络模型为包括编码器路径和解码器路径的u-net卷积神经网络模型，编码器路径包括至少一个分层聚合模块，分层聚合模块包括作为主干分支的层次聚合单元和作为掩码分支的注意单元。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的示例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置、终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置、终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块或单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！