【技术实现步骤摘要】
本专利技术涉及一种图像处理方法，具体涉及一种基于优化unet与改进cbam的左心室分割方法。
技术介绍
1、根据世界卫生组织的数据，心脏病是全球主要的致死疾病之一。准确、有效的早期诊断对于心脏病的治疗和降低死亡率具有重要意义。左心室射血分数(ef值)反映了血流动力学和心肌收缩能力，ef值越低通常表明心室重构越严重，心肌收缩功能越差。如果由于超声心动图图像不清晰导致ef值计算不准确，可能会延误心脏病患者的治疗，甚至在许多情况下是致命的。因此，在当前医学研究中，对左心室射血分数进行自动、准确的评估至关重要。然而，现有的大多数自动化左心室分割方法(计算ef值的核心步骤)依赖于静态影像，并且这些方法通常需要大量计算资源和较大的模型规模，限制了其在实际临床辅助中的广泛应用。
2、当前医学辅助决策系统面临的一个关键问题是计算资源和模型规模对其在实际临床应用中的限制。因此，如何在保持模型精度的同时，降低计算负担和模型规模，成为该领域亟待解决的问题。其研究不仅能够精确分割左心室，还可以实现对心脏病的准确、有效的早期诊断。
3、近年来，visiontransformer(vit)在各种计算机视觉任务中取得了一定的成功。然而,基于transformer的模型通常计算和内存开销较大，推理速度慢，硬件要求高，这些资源需求在某些研究机构或企业中可能难以满足。因此，在保证模型参数量较小的情况下提升左心室分割的精度显得尤为重要。
4、左心室分割优化技术主要有几个问题需要解决：
5、1)现有大多数方法对图像输入像
6、2)分割技术对信息完整性要求较高。部分方法处理多尺度特征时，通常受限于特征融合的低效操作，导致特征提取和融合过程中出现信息丢失。
7、3)算法复杂度较高，实时性较差。
技术实现思路
1、本专利技术的目的在于提供一种基于优化unet网络与改进cbam注意力机制的左心室分割方法，本专利技术通过改进unet网络和优化cbam注意力机制，来增强特征表达能力并且进行轻量化设计以减少计算和存储开销。因此，更精确的轻量级医学辅助决策系统方法是一个新的发展趋势。
2、本专利技术是通过如下技术方案实现的：
3、第一方面，本专利技术提供了一种基于优化unet网络与改进cbam注意力机制的左心室分割方法及装置，具体包括以下步骤：
4、s1构建轻量化注意力机制scbam；将cbam注意力机制和轻量化注意力机制simam融合，其中cbam包含一个通道注意力模块(cam)和空间注意力模块(sam)。
5、s2构建局部卷积vgg网络；其中包含2个3×3卷积，两个bn(batchnormalization)层，两个relu函数，和一个scbam注意力机制。
6、s3优化unet网络；通过裁剪unet网络进行轻量化设计减少计算和存储开销。
7、s4构建nestedunet模块；其中包含2个vgg网络，2×2的最大池化层和2×2的上采样，以及跳跃连接构建迭代上下采样块(nestedunet模块)。将裁剪后的unet网络中的卷积层替换为nestedunet模块。构成改进后unet的网络(da-unet++网络)。
8、作为优选方案，步骤s1中，具体包括以下步骤：
9、s1-1：通道注意力机制操作：cam通过全局平均池化和全局最大池化来捕捉通道间的关系，生成通道注意力，给定输入特征图通道注意力模块全局平均池化和全局最大池化的计算过程如公式(1)～(2)，
10、
11、fmax(c)＝maxi,jf(c,i,j) (2)
12、其中h和w代表特征图的高度和宽度，f(c,i,j)代表输入特征图，favg为全局平均池化结果，fmax为全局最大池化结果。
13、共享网络：将这两个描述子通过一个共享的多层感知机(mlp)，生成通道注意力图计算过程如公式(3)，
14、mc＝σ(mlp(favg)+mlp(fmax)) (3)
15、其中σ是sigmoid激活函数，mlp由两个全连接层组成，第一个全连接层的输出维度为c/r(r是缩减率)，第二个全连接层的输出维度为c。
16、注意力加权：将输入特征图与通道注意力图相乘，计算过程如公式(4)，
17、f″＝mc⊙f′ (4)
18、其中，f′为输入特征图，mc为通道注意力图，f″为加权后的输出特征图，⊙表示逐元素相乘。
19、s1-2：simam模块通过优化一个能量函数来计算注意力权重。能量函数是基于神经科学中的空间抑制现象，定义了一个能量函数，用于衡量每个神经元的重要性，计算过程如公式(5)，
20、
21、其中，μ和σ分别是通道的均值和方差，λ是一个超参数，t为神经元。
22、s1-3：通过求解能量函数的闭合解，计算每个神经元的重要性权重，计算过程如公式(6)，
23、
24、其中，d是特征图的偏差平方和，v是通道方差，λ是一个超参数。
25、s1-4：使用注意力权重对输入特征图进行重新加权，得到输出特征图，计算过程如公式(7)，
26、xatt＝x×σ(einv) (7)
27、其中，σ是sigmoid函数，x为输入特征图。
28、s1-5：空间注意力机制操作：sam模块通过沿通道方向的全局平均池化和全局最大池化来捕捉空间位置间的关系，生成空间注意力图。给定输入特征图，
29、通道方向的全局平均池化和全局最大池化得到两个描述子和计算过程如公式(8)～(9)，
30、
31、fm′ax(i,j)＝maxc f′(c,i,j) (9)
32、其中f′(c,i,j)代表输入特征图，c为通道数，fa′vg为全局平均池化结果，fm′ax为全局最大池化结果。
33、s1-6：连接和卷积操作：将这两个描述子在通道维度上连接起来，并通过卷积层生成空间注意力图计算过程如公式(10)，
34、ms＝σ(conv([f′avg；f′max])) (10)
35、其中，σ是sigmoid激活函数，[；]表示在通道维度上的连接操作，conv是一个7×7的卷积层。
36、s1-7：注意力加权：将输入特征图与空间注意力图相乘，计算过程如公式(11)，
37、f″＝ms⊙f′ (11)
38、其中，f′为输入特征图，ms为空间注意力图，f″为加权后的输出特征图。
39、s1-8：特征图在进入注意力机制时先经过cam模块再经过simam模块再经过sam模块。
40、作为优选方案，步骤s2中，具体包括以下步骤：
41、s2-1：特征图输入到vgg网络，对输入图像进行3×本文档来自技高网...
【技术保护点】
1.一种基于优化UNet网络与改进CBAM注意力机制的左心室分割方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种基于优化UNet网络与改进CBAM注意力机制的左心室分割方法，其特征在于，所述步骤S1具体包括以下步骤：
3.根据权利要求1所述的一种基于优化UNet网络与改进CBAM注意力机制的左心室分割方法，其特征在于，所述步骤S2中，具体包括以下步骤：
4.根据权利要求1所述的一种基于优化UNet网络与改进CBAM注意力机制的左心室分割方法，其特征在于，所述步骤S3中，具体包括以下步骤：
5.根据权利要求1所述的一种基于优化UNet网络与改进CBAM注意力机制的左心室分割方法，其特征在于，所述步骤4，包括以下具体过程：
6.根据权利要求1所述的一种基于优化UNet网络与改进CBAM注意力机制的左心室分割方法，其特征在于，所述方法包括有一种基于优化UNet网络与改进CBAM注意力机制的左心室分割装置如下：
7.根据权利要求6所述的一种基于优化UNet网络与改进CBAM注意力机制的左心室分割
8.根据权利要求6所述的一种基于优化UNet网络与改进CBAM注意力机制的左心室分割方法，其特征在于，所述计算机读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行基于优化UNet网络与改进CBAM注意力机制的左心室分割。
...【技术特征摘要】
1.一种基于优化unet网络与改进cbam注意力机制的左心室分割方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种基于优化unet网络与改进cbam注意力机制的左心室分割方法，其特征在于，所述步骤s1具体包括以下步骤：
3.根据权利要求1所述的一种基于优化unet网络与改进cbam注意力机制的左心室分割方法，其特征在于，所述步骤s2中，具体包括以下步骤：
4.根据权利要求1所述的一种基于优化unet网络与改进cbam注意力机制的左心室分割方法，其特征在于，所述步骤s3中，具体包括以下步骤：
5.根据权利要求1所述的一种基于优化unet网络与改进cbam注意力机制的左心室分割方法，其特征在于，所述步骤4，包括以下具体过程：
6.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。