一种心室图像分割方法、系统、装置及存储介质与流程
本发明涉及医学图像处理领域，尤其涉及一种心室图像分割方法、系统、装置及存储介质。
背景技术：
心室图像为心脏疾病的预后和诊断提供了重要的信息，准确度高的心室图像分割是对心室图像临床指标进行定量分析的前提，因此，如何对心室图像进行准确分割有着非常重要的临床价值。
传统的心室图像分割方法是由专业医生进行手动分割，操作繁琐，效率不高，而且手动分割容易受人工主观影响，导致心室图像分割的准确度不高。
技术实现要素：
为了解决上述技术问题，本发明的目的是提供一种心室图像分割方法、系统、装置及存储介质，可得到准确度高的心室图像。
本发明所采用的第一技术方案是：一种心室图像分割方法，包括以下步骤：
获取心室图像并基于特征金字塔架构对心室图像进行特征提取，得到特征图；
引入dapis损失函数对特征图进行处理，生成预测图像和对应的概率值；
结合语义特征融合网络和预测图像对特征图进行拼接融合，得到分割图像。
进一步，所述特征金字塔架构包括膨胀率为1的第一特征提取块、膨胀率为1的第二特征提取块、膨胀率为2的第三特征提取块、膨胀率为4的第四特征提取块、膨胀率为8的第五特征提取块和金字塔池，所述第一特征提取块、第二特征提取块、第三特征提取块、第四特征提取块、第五特征提取块和金字塔池依次连接。
进一步，所述获取心室图像并基于特征金字塔架构对心室图像进行特征提取，得到特征图这一步骤，其具体包括：
获取心室图像；
基于五个特征提取块对心室图像进行处理，生成五张高度抽象的低级特征图；
接收来自第五体征提取块的输出特征并基于金字塔池输出金字塔池特征图。
进一步，所述生成预测图像还包括将预测图像与参考标准图像进行比较得到像素级相似度、重叠度和空间欧几里得距离。
进一步，所述结合语义特征融合网络和预测图像对特征图进行拼接融合，得到分割图像这一步骤，其具体包括：
根据低级特征图得到低级语义特征；
根据金字塔池特征图得到高级语义特征；
将低级语义特征和高级语义特征按顺序执行池化卷积操作并结合预测图像融合产生最终的分割图像。
进一步，所述将低级语义特征和高级语义特征按顺序执行池化卷积操作并结合预测图像融合产生最终的分割图像这一步骤，其具体还包括：
将高级语义特征依次执行归一化、relu非线性和1x1内核卷积处理，得到处理后的高级语义特征；
将低级语义特征执行3x3卷积处理，得到处理后的低级语义特征；
将处理后的高级语义特征和处理后的低级语义特征相乘得到加权的低级特征；
根据加权的低级特征和预测图像，得到最终的分割图像。
本发明所采用的第二技术方案是：一种心室图像分割系统，包括：
特征提取模块，用于获取心室图像并基于特征金字塔架构对心室图像进行特征提取，得到特征图；
预测模块，用于引入dapis损失函数对特征图进行处理，生成预测图像和对应的概率值；
拼接融合模块，用于结合语义特征融合网络和预测图像对特征图进行拼接融合，得到分割图像。
本发明所采用的第三技术方案是：一种心室图像分割装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种心室图像分割方法。
本发明所采用的第四技术方案是：一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种心室图像分割方法。
本发明方法、系统、装置及存储介质的有益效果是：通过特征金字塔架构作为多层次多尺度特征提取，可以有效地捕获心室图像的整体特征，并通过语义特征融合网络重建具有不同语义级别的高分辨率分割结果。
附图说明
图1是本发明一种心室图像分割方法的步骤流程图；
图2是本发明一种心室图像分割系统的结构框图；
图3是本发明具体实施例一种心室图像分割方法的示意图；
图4是本发明具体实施例全局注意力上采样(gau)操作的示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明提供了一种心室图像分割方法，该方法包括以下步骤：
s101、获取心室图像并基于特征金字塔架构对心室图像进行特征提取，得到特征图；
s102、引入dapis损失函数对特征图进行处理，生成预测图像和对应的概率值；
s103、结合语义特征融合网络和预测图像对特征图进行拼接融合，得到分割图像。
具体地，参照图1和图3，本发明的方法流程可分为三个阶段，具体包括多层次多尺度特征提取阶段、整体语义特征融合阶段和分层中继监督阶段。
进一步作为本方法的优选实施例，所述特征金字塔架构包括膨胀率为1的第一特征提取块、膨胀率为1的第二特征提取块、膨胀率为2的第三特征提取块、膨胀率为4的第四特征提取块、膨胀率为8的第五特征提取块和金字塔池，所述第一特征提取块、第二特征提取块、第三特征提取块、第四特征提取块、第五特征提取块和金字塔池依次连接。
具体地，深度特征金字塔模块设计为深度金字塔级体系结构。它包括5个级别的se扩张密集块(sad)即特征提取块，以提取多级别和多级别的整体语义特征。多层次信息捕获了lv的全局几何特征，而多尺度信息则增强了薄弱区域，从而有助于完善lv的边界。不同sad块中不同的膨胀率生成了一个深而密集的金字塔层次结构，随着接受域的增加，特征提取的规模也随之增加，从而有助于在多尺度空间中搜索lv结构。五个sad块的膨胀率分别为1、1、2、4和8。
另外，一个sad块包含t个紧密连接层，其中包含空洞卷积和嵌入的se块，从第t层到第(t+1)前馈信息的传播公式如下：
xt+1＝yt＝h(y1，y2，y3，......，yt-1)
yt＝q(xt)
其中xt和yt是第t层的输入和输出特征图，h(·)表示前一层的输出特征图的串联。将q(·)定义为以下四个连续操作的复合函数：嵌入se块，批处理归一化(bn)，然后一个整流线性单元(relu)和一个空洞卷积。
空洞卷积运算可表示为：
其中r是膨胀率，m和n是k的坐标偏移，k是空洞卷积核，yt(i，j)是第t层在(i，j)处的输出特征图值。
进一步作为本方法的优选实施例，所述获取心室图像并基于特征金字塔架构对心室图像进行特征提取，得到特征图这一步骤，其具体包括：
获取心室图像；
基于五个特征提取块对心室图像进行处理，生成五张高度抽象的低级特征图；
接收来自第五体征提取块的输出特征并基于金字塔池输出金字塔池特征图。
具体地，五个抽象级别生成的低级特征图(f1～f5)，将第五特征提取块的输出特征作为金字塔池的输入特征，以提取更多的全局上下文信息并减少最大接受域中的全局上下文信息丢失，金字塔池模块采用四个并行池化和卷积操作来得到不同比例(1×1、2×2、3×3和6×6)的特征图。然后，将四个特征图以相同比例上采样并连接在一起，再经过1×1卷积以减少通道数。金字塔池模块的输出的金字塔池特征图具有4个通道数目，并发送到整体语义特征融合网络。
进一步作为本方法优选实施例，所述生成预测图像还包括将预测图像与参考标准图像进行比较得到像素级相似度、重叠度和空间欧几里得距离。
具体地，dapis借助修改的跳过路径，gau块和上采样操作在所有抽象级别上输出全分辨率特征图，并进一步生成多个预测(p0～p5),这些预测可以发展为中继监督。我们将所有级别的预测都暴露于左心室分割的参考标准中，并将dapis损失函数引入每个整体语义特征融合级别生成多个损耗函数(loss0～loss5)会产生分层中继监督，这有助于在反向传播期间增强梯度信号。利用每个级别的损失函数来引入新计算的梯度，并分别减p0～p5与参考标准之间的差异。它们将反馈直接传播到特征提取网络中的所有卷积层，从而最小化了梯度消失问题。同时，在分级中继监督的影响下，多重预测之间的竞争和相互正则化有助于有效地缓解过度拟合的问题。这种机制还可以促进分层信息流，并在细微尺度上适合潜在的分层特征，这有助于约束lv边界并学习更好的语义表示，从而使dapis能够获得出色的lv分割性能。
关于像素级相似性，利用像素级加权二进制交叉熵损失(lwbce)并公式化为：
lwbce＝-[(1-g)·log(1-p)+k·ω·g·logp]，
其中g和p分别表示参考标准和预测的概率。权重ω是分割区域与背景之间的权衡，公式为
关于重叠度，广义骰子损失(lgdl)是一种从骰子得分系数修改而来的广义骰子指数，用于评估分割效果。可以表示为:
对于空间欧几里得距离，可以使用softplus函数来修改平均绝对误差并获得修改后的平均绝对误差损失(lcmae)，从而有助于对该损失函数的优化：
lcmae(g，p)＝log(1+e|g-p|)，
将以上三个损失函数的组合应用于多个预测(p0～p5)中，其描述如下：
其中λcmae，λwbce和λgdl分别是lcmae，lwbce和lgdl的对应平衡系数。
进一步作为本方法优选实施例，所述结合语义特征融合网络和预测图像对特征图进行拼接融合，得到分割图像这一步骤，其具体包括：
根据低级特征图得到低级语义特征；
根据金字塔池特征图得到高级语义特征；
将低级语义特征和高级语义特征按顺序执行池化卷积操作并结合预测图像融合产生最终的分割图像。
具体地，由五个抽象级别生成的低级特征图(f1～f5)和金字塔池模块的高级特征按顺序依次执行gau操作。级联操作达到1级和2级时，需要进行升采样操作以匹配下一级特征图的比例。最后，将五个抽象的gau级联特征图上采样到256×256(与输入图像相同)以生成生成多个预测(表示为p1～p5),并将p1～p5融合以产生最终预测p0
进一步作为本方法优选实施例，所述将低级语义特征和高级语义特征按顺序执行池化卷积操作并结合预测图像融合产生最终的分割图像这一步骤，其具体还包括：
将高级语义特征依次执行归一化、relu非线性和1x1内核卷积处理，得到处理后的高级语义特征；
将低级语义特征执行3x3卷积处理，得到处理后的低级语义特征；
将处理后的高级语义特征和处理后的低级语义特征相乘得到加权的低级特征；
根据加权的低级特征和预测图像，得到最终的分割图像。
如图2所示，一种心室图像分割系统，包括：
特征提取模块，用于获取心室图像并基于特征金字塔架构对心室图像进行特征提取，得到特征图；
预测模块，用于引入dapis损失函数对特征图进行处理，生成预测图像和对应的概率值；
拼接融合模块，用于结合语义特征融合网络和预测图像对特征图进行拼接融合，得到分割图像。
进一步作为本系统的优选实施例，
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种心室图像分割装置：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种心室图像分割方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种心室图像分割方法。
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
- 还没有人留言评论。精彩留言会获得点赞！