一种基于特征压缩和噪声抑制的心室图像分割方法技术

一种基于特征压缩和噪声抑制的心室图像分割方法，可以消除特征中的噪声特征，解决了噪声特征对网络学习的影响，间接强调了网络中的重要特征，使得网络的训练更加稳定。通过计算不同特征之间的相似度，选择相似度较高的若干通道进行特征融合，在保留原始特征的同时降低特征通道数量，大幅度的减少了整个网络的参数数量，使得网络的训练更加的简单和高效。

【技术实现步骤摘要】
一种基于特征压缩和噪声抑制的心室图像分割方法
本专利技术涉及医学影像处理
，具体涉及一种基于特征压缩和噪声抑制的心室图像分割方法。
技术介绍
《全球心血管疾病和危险因素负担1990-2019》显示，心血管疾病的发病率逐年上升，因心血管疾病死亡的人数占全球总死亡人数的三分之一，已经成为全球最大的死亡原因。而在心血管疾病的诊疗中，必须根据心脏图像准确得出心室的形状、体积等参数，辅助医生对疾病做出准确的判断。但是由于心脏影像数据量大且含有复杂的专业知识，因此，对心脏影像的准确解读非常困难。而且专业医师数量少且精力有限，很容易对心脏影像做出错误的判断。在深度学习的网络设计中，研究人员通常会设计大量的中间特征以确保网络能够充分学习到数据的全部特征。但这种做法对网络学习能力的提升有限，并会带来两个严重的问题：1)大量的中间特征会导致模型的复杂度急剧上升，海量的参数使得网络的训练极其困难；2)庞大的中间特征存在非常多的噪声特征，严重阻碍网络的学习。
技术实现思路
本专利技术为了克服以上技术的不足，提供了一种可以在剔除噪声特征的同时还可以压缩特征的心室图像分割方法。本专利技术克服其技术问题所采用的技术方案是：一种基于特征压缩和噪声抑制的心室图像分割方法，包括如下步骤：a)读取心室分割数据集中的心脏图像数据Image及与心脏图像数据Image对应的掩码Mask；b)调整心脏图像数据Image和掩码Mask的形状后合并得到双通道矩阵matrix；c)对双通道矩阵matrix执行N次剪裁，剪裁大小为M×M，对剪裁后的双通道矩阵matrix执行通道分解，得到M大小的心脏图像image和M大小的掩码mask各N张；d)对N张心脏图像image分别进行归一化处理得到N张处理后的心脏图像img；e)将N张处理后的心脏图像img和N张掩码mask划分为训练集、验证集和测试集；f)计算机读取训练集和验证集中的心脏图像img和掩码mask，将读取的心脏图像img记作x，将读取的掩码mask记作y，完成训练数据的加载；g)选择SGD作为优化器，优化器的初始学习率为0.001，并使用学习率自适应调整策略；h)将x输入卷积层进行卷积运算，后输入BN层进行规范化处理，规范化处理后由ReLU激活函数进行激活；i)重复执行步骤h)一次，得到特征图M，对特征图M使用池化核为2*2，stride为2的maxpool层进行特征下采样，得到下采样特征MP；j)对下采样特征MP进行噪声抑制和特征融合后得到输出特征SMindex；k)对输出特征SMindex使用若干卷积操作组计算得到特征图CSMindex；l)对特征图CSMindex使用与步骤i)中的相同的maxpool层进行特征下采样，得到下采样特征MSMindex；m)重复执行步骤j)至步骤l)3次后，再重复步骤j)至步骤k)，得到最终的输出特征FM；n)使用DUC结构对FM进行处理，得到最终的分割输出o)通过公式计算每类的损失调整权重μk，式中num为像素点总数，numk为第k类的像素点数量，通过公式计算网络前向传播的损失值loss，式中yk为真实值y中属于第k类的值，为预测值中属于第k类的值，K为网络需要分割的类别总数；p)根据损失loss调整权重，使用反向传播算法更新步骤h)和步骤k)中的卷积操作组的权重和偏置；q)重复步骤f)至步骤p)若干次，之后保存模型及其权重；i)读取测试集的心脏图像imgt及其掩码maskt，将imgt输入到步骤q)保存的模型中，得到预测的分割掩码pre，使用pre和maskt计算mIoU值；s)如果mIoU值大于等于0.95则将步骤q)中保存的模型作为最终模型Model，如果mIoU值小于0.95，则重复执行步骤f)至步骤i)直至mIoU值大于0.95；t)将DICOM格式的心脏影响数据解析为普通的JPG格式的图像后将JPG图像剪裁，剪裁后的JPG图像归一化处理后输入到步骤s)中的模型Model中进行心室分割，得到最终的心室分割掩码。进一步的，步骤b)中使用resize函数将心脏图像数据Image和掩码Mask调整为512×512的大小，对Image采用随机对比度调整后将其与Mask按通道进行合并，得到双通道矩阵matrix。优选的，步骤c)中N的取值为5，M的取值为352。优选的，步骤e)中将按照8:1:1的比例划分为训练集、验证集和测试集。优选的，步骤h)中卷积层的卷积核为3*3，stride为1，padding为1，卷积核的初始参数使用随机初始化方法进行设置。进一步的，步骤j)包括如下步骤：j-1)通过公式计算噪声抑制后的特征矩阵YM，MPi(r,c)为输入的下采样特征MP的第i个通道的第r行第c列的元素值，i∈[0,C)，r∈[1,size]，c∈[1,size]，C为输入的下采样特征MP的通道总数，size为下采样特征MP的长宽尺寸，size＝352；j-2)通过公式计算相似度Sij，式中YMi(r,c)为特征矩阵YM的第i个通道的第r行第c列的元素值，为特征矩阵YM的第i个通道的所有元素的平均值，YMj(r,c)为特征矩阵YM的第j个通道的第r行第c列的元素值，为特征矩阵YM的第j个通道的所有元素的平均值，i∈[0,C)，j∈[0,C)，j＞i；j-3)选取值大于0.9的相似度Sij，以第i个通道为基准进行分类，形成列表{i,j1,...,jn}，将列表{i,j1,...,jn}记作Ti，n为与通道i相似的通道的个数；j-4)通过公式计算得到融合特征Subi，YMk为特征矩阵YM的第k个通道；j-5)选取压缩倍率rate＝0.5，将步骤j-4)中融合特征时未使用的通道与融合特征Subi进行拼接得到CM，对CM的通道进行随机切分或复制操作，得到通道数为的输出特征SMindex。优选的，步骤k)中卷积操作组由卷积层、BN层和ReLU激活函数组成，卷积层的卷积核为3*3，stride为1，padding为1。优选的，第一次重复步骤k)时有2个32通道的卷积操作组，第二次重复步骤k)时有4个64通道的卷积操作组，第三次重复步骤k)时有4个128通道的卷积操作组，第四次重复步骤k)时有4个256通道的卷积操作组。优选的，步骤q)中重复步骤f)至步骤p)10000次。优选的，步骤t)中JPG图像剪裁为352×352的尺寸。本专利技术的有益效果是：可以消除特征中的噪声特征，解决了噪声特征对网络学习的影响，间接强调了网络中的重要特征，使得网络的训练更加稳定。通过计算不同特征之间的相似度，选择相似度较高的若干通道进行特征融合，在保留原始特征的同时降低特征通道数量，大幅度的减少了整个网络的参数数量，使得网络的训练更加的简单和高效。附图说明图1为本专利技术的噪声抑制与特征融合方法流程图；图2为本文档来自技高网...

【技术保护点】
1.一种基于特征压缩和噪声抑制的心室图像分割方法，其特征在于，包括如下步骤：/na)读取心室分割数据集中的心脏图像数据Image及与心脏图像数据Image对应的掩码Mask；/nb)调整心脏图像数据Image和掩码Mask的形状后合并得到双通道矩阵matrix；/nc)对双通道矩阵matrix执行N次剪裁，剪裁大小为M×M，对剪裁后的双通道矩阵matrix执行通道分解，得到M大小的心脏图像image和M大小的掩码mask各N张；/nd)对N张心脏图像image分别进行归一化处理得到N张处理后的心脏图像img；/ne)将N张处理后的心脏图像img和N张掩码mask划分为训练集、验证集和测试集；/nf)计算机读取训练集和验证集中的心脏图像img和掩码mask，将读取的心脏图像img记作x，将读取的掩码mask记作y，完成训练数据的加载；/ng)选择SGD作为优化器，优化器的初始学习率为0.001，并使用学习率自适应调整策略；/nh)将x输入卷积层进行卷积运算，后输入BN层进行规范化处理，规范化处理后由ReLU激活函数进行激活；/ni)重复执行步骤h)一次，得到特征图M，对特征图M使用池化核为2*2，stride为2的maxpool层进行特征下采样，得到下采样特征MP；/nj)对下采样特征MP进行噪声抑制和特征融合后得到输出特征SM...

【技术特征摘要】
1.一种基于特征压缩和噪声抑制的心室图像分割方法，其特征在于，包括如下步骤：
a)读取心室分割数据集中的心脏图像数据Image及与心脏图像数据Image对应的掩码Mask；
b)调整心脏图像数据Image和掩码Mask的形状后合并得到双通道矩阵matrix；
c)对双通道矩阵matrix执行N次剪裁，剪裁大小为M×M，对剪裁后的双通道矩阵matrix执行通道分解，得到M大小的心脏图像image和M大小的掩码mask各N张；
d)对N张心脏图像image分别进行归一化处理得到N张处理后的心脏图像img；
e)将N张处理后的心脏图像img和N张掩码mask划分为训练集、验证集和测试集；
f)计算机读取训练集和验证集中的心脏图像img和掩码mask，将读取的心脏图像img记作x，将读取的掩码mask记作y，完成训练数据的加载；
g)选择SGD作为优化器，优化器的初始学习率为0.001，并使用学习率自适应调整策略；
h)将x输入卷积层进行卷积运算，后输入BN层进行规范化处理，规范化处理后由ReLU激活函数进行激活；
i)重复执行步骤h)一次，得到特征图M，对特征图M使用池化核为2*2，stride为2的maxpool层进行特征下采样，得到下采样特征MP；
j)对下采样特征MP进行噪声抑制和特征融合后得到输出特征SMindex；
k)对输出特征SMindex使用若干卷积操作组计算得到特征图CSMindex；
l)对特征图CSMindex使用与步骤i)中的相同的maxpool层进行特征下采样，得到下采样特征MSMindex；
m)重复执行步骤j)至步骤l)3次后，再重复步骤j)至步骤k)，得到最终的输出特征FM；
n)使用DUC结构对FM进行处理，得到最终的分割输出
o)通过公式计算每类的损失调整权重μk，式中num为像素点总数，numk为第k类的像素点数量，通过公式计算网络前向传播的损失值loss，式中yk为真实值y中属于第k类的值，为预测值中属于第k类的值，K为网络需要分割的类别总数；
p)根据损失loss调整权重，使用反向传播算法更新步骤h)和步骤k)中的卷积操作组的权重和偏置；
q)重复步骤f)至步骤p)若干次，之后保存模型及其权重；
i)读取测试集的心脏图像imgt及其掩码maskt，将imgt输入到步骤q)保存的模型中，得到预测的分割掩码pre，使用pre和maskt计算mIoU值；
s)如果mIoU值大于等于0.95则将步骤q)中保存的模型作为最终模型Model，如果mIoU值小于0.95，则重复执行步骤f)至步骤i)直至mIoU值大于0.95；
t)将DICOM格式的心脏影响数据解析为普通的JPG格式的图像后将JPG图像剪裁，剪裁后的JPG图像归一化处理后输入到步骤s)中的模型Model中进行心室分割，得到最终的心室分割掩码。


2.根据权利要求1所述的基于特征压缩和噪声抑制的心室图像分割方法，其特征在于：步骤b)中使用resize函数将心脏图像数据Image和...

【专利技术属性】
技术研发人员：舒明雷，解洪富，王英龙，
申请(专利权)人：山东省人工智能研究院，山东科技大学，
类型：发明
国别省市：山东;37