[发明专利]基于U形神经网络模型的心脏右心室分割方法

权利要求书

1.基于卷积神经网络的心脏右心室图像分割方法，其特征在于：依次包括如下步骤：

（1）选取数据集和基本模型：由于心脏磁共振图像的采集很困难，数据难以大量获取，因此实验选用MICCAI提供的数据集，Unet网络模型对医学图像分割效果较好；

（2）对获取的实验数据集进行预处理：根据右心室轮廓数据在结合polygon函数制作标准掩膜图像，然后把原始图像做自适应直方图均衡化处理，在通过旋转、垂直翻转、水平翻转等操作进行数据扩充；

（3）数据划分：把预处理后的图像数据划分为训练集、测试集和验证集三大块；

（4）根据公式（1）对获取到的实验数据进行预处理；

；……（1）

其中x是转化前的像素值，y是经过处理后的像素值，；和分别对应图像像素值的最大和最小；

（5）对预处理后的数据改进损失函数，得到公式（2），

；……（2）

其中y表示专家的标注值，表示模型的预测值，w为权重系数，n表示的遍历的像素，k表示的是分割的像素类别；

（6）右心室分割的评价指标；

1）Dice score (DICE)：其中A表示的是由医生分割好的标准值，B表示的是由神经网络模型分割出来的预测值；

……（3）

2）Recall：其中TP表示真阳性，FN表示假阴性；

……（4）

3）jaccard：其中X表示的卷积神经网络预测出来的右心室区域，Y表示的是由专家划定的右心室区域；

……（5）

（7）进行心脏图像右心室分割，方法如下：

1）训练阶段：在训练阶段，对本发明提出的AU-Net网络进行参数训练；使用Keras深度学习框架对训练集进行模型参数的学习，采用Adam优化器，将批处理的大小设置为4，对243张图像进行训练，选择训练集中20%的数据作为验证集，运用交叉熵损失函数，对数据进行500周期的训练，实验选取验证集最小损失时的权重系数作为训练阶段的最终训练权重，为后续测试阶段提供权重参数；

2）测试阶段：随机选取MICCAI心脏图像中的3694张图像作为训练集；图像的大小均为216×256，使用训练阶段得到的最终权重参数对测试图像进行右心室分割，最终得到分割好的右心室结果图。