本發(fā)明屬于醫(yī)學儀器，具體涉及一種二維超聲心動圖左心室分割方法。
背景技術(shù)：
1、心力衰竭作為一種嚴重的臨床綜合征，其常見誘因包括心肌梗死、心肌病、心肌炎等，高發(fā)人群包括70歲以上的老年人，發(fā)病率超過10％，5年死亡率可達50％。左心室射血分數(shù)是衡量心臟功能的關(guān)鍵參數(shù)，主要用于衡量左心室在收縮時將血液泵出的效率。它反映了心臟的收縮功能，是診斷心力衰竭、評估心臟疾病嚴重程度以及監(jiān)測治療效果的關(guān)鍵參數(shù)。在臨床應(yīng)用中，測量左心室射血分數(shù)最常見的方法基于對超聲心動圖進行左心室分割，以獲取舒張末期容積與收縮末期容積。
2、目前，二維超聲心動圖的左心室分割通常由專業(yè)醫(yī)師手動進行，通過對圖像中的左心室輪廓進行人工描記實現(xiàn)。該過程不僅耗時耗力，且分割的準確性受人為因素的影響較大。因此，需要一種適用于左心室自動分割的方法，并保證分割結(jié)果的準確性和穩(wěn)定性。
技術(shù)實現(xiàn)思路
1、本發(fā)明針對以上左心室分割算法需求以及現(xiàn)有研究技術(shù)的不足，提供一種基于改進u-net的二維超聲心動圖左心室分割方法，以解決由于個體差異與病理變化導(dǎo)致的左心室自動分割困難問題。
2、本發(fā)明提供的基于改進u-net的二維超聲心動圖左心室分割方法，包括圖像預(yù)處理模塊、特征提取及融合模塊以及分類器；其中：
3、所述圖像預(yù)處理模塊，用于對采集得到的二維超聲心動圖像進行預(yù)處理；具體包括，對二維超聲心動圖進行感興趣區(qū)域提??；即通過中心裁剪，刪除圖像四周干擾信息，保留主體部分；再對裁剪后的圖像使用雙線性插值法降采樣至112像素×112像素，以滿足后續(xù)網(wǎng)絡(luò)輸入要求。
4、所述特征提取及融合模塊，以預(yù)處理后的圖像為輸入，應(yīng)用改進的u-net進行特征提取與特征融合。包括編碼器和解碼器；具體地，編碼器由多個卷積層和池化層組成，編碼器部分使用擴張卷積，逐層增加擴張率，以擴大卷積核的感受野，提取圖像的高級特征，同時降低圖像的分辨率；解碼器部分通過上采樣操作，逐步將編碼器輸出的低分辨率特征圖恢復(fù)至原始圖像尺寸，并通過跳躍連接與編碼器對應(yīng)層級的特征圖進行通道拼接，避免特征丟失；此外，在u-net中引入注意力機制，從通道和空間兩個維度對特征圖進行加權(quán)，以增強模型對關(guān)鍵信息的關(guān)注能力。引入注意力的方式可以有兩種：
5、(1)在u-net編碼器中添加通道注意力模塊，通過學習不同通道的重要性，為每個通道分配不同的權(quán)重，從而增強關(guān)鍵特征通道的響應(yīng)，抑制不重要的通道；
6、(2)在u-net解碼器中添加空間注意力模塊，通過學習特征圖中不同空間位置的重要性，為每個位置分配不同的權(quán)重，從而增強關(guān)鍵區(qū)域的特征響應(yīng)，抑制不重要的區(qū)域；
7、所述分類器模塊，采用邏輯回歸作為分類器，使用交叉熵損失函數(shù)與dice損失函數(shù)相結(jié)合的方式衡量分類性能，并引入l2正則化項以防止特征系數(shù)過大，減少模型的復(fù)雜度，防止過擬合。
8、進一步地：
9、本發(fā)明中，所述圖像預(yù)處理模塊，具體工作流程為：
10、(1)使用中心裁剪，刪除二維超聲心動圖四周的干擾信息，保留主體部分，對于原始寬度為w、高度為h的二維超聲心動圖像，目標寬度為w、目標為h，中心裁剪的起始坐標如式(1)：
11、
12、其中，表示向下取整。
13、(2)使用雙線性插值法對裁剪后的圖像進行降采樣，通過計算周圍四個已知點(x1,y1)、(x2,y1)、(x1,y2)和(x2,y2)的加權(quán)平均值來估計目標點(x,y)的值，計算公式如式(2)：
14、
15、其中x1≤x≤x2且y1≤y≤y2???(2)。
16、本發(fā)明中，所述分割網(wǎng)絡(luò)模型的構(gòu)建，具體流程為：
17、(1)使用四層的基礎(chǔ)u-net模型，模型輸入為經(jīng)過預(yù)處理的二維超聲心動圖，大小為112像素×112像素；
18、(2)將編碼器中每一層的3×3卷積替換為擴張率分別為1、2、4和8的擴張卷積，其感受野分別為3×3、7×7、15×15和31×31。
19、(3)在編碼器中的卷積操作之后添加通道注意力模塊，具體實現(xiàn)步驟為：
20、①全局池化：對輸入的特征圖f(尺寸為h×w×c)分別進行全局最大池化和全局平均池化，得到兩個1×1×c的特征向量；
21、②共享多層感知機：將這兩個特征向量分別送入一個共享的多層感知機(mlp)，mlp的第一層神經(jīng)元個數(shù)為c/r，其中r是降維率，c為第二層神經(jīng)元個數(shù)；激活函數(shù)為relu；通過mlp學習通道之間的依賴關(guān)系；
22、③權(quán)重生成：將mlp的輸出結(jié)果相加，然后通過sigmoid激活函數(shù)生成通道注意力權(quán)重矩陣mc，其每個元素表示對應(yīng)通道的重要性；
23、④特征加權(quán)：將通道注意力權(quán)重矩陣mc與原始特征圖f相乘，得到加權(quán)后的特征圖；
24、(4)在解碼器階段的每個卷積塊之前，將編碼器階段的特征圖與解碼器階段的特征圖進行跳躍連接。具體步驟為：
25、①上采樣：使用轉(zhuǎn)置卷積層或最近鄰插值將解碼器階段的特征圖的空間分辨率增加一倍；
26、②特征圖拼接：將編碼器階段的特征圖與解碼器階段的特征圖在通道維度上進行拼接；
27、③卷積操作：對拼接后的特征圖進行卷積操作，進一步提取特征并減少特征圖的通道數(shù)；
28、(5)在解碼器中添加空間注意力模塊，具體實現(xiàn)步驟為：
29、①特征提?。簩斎胩卣鲌D進行全局平均池化和全局最大池化，生成兩個獨立的特征圖；
30、②特征融合：將這兩個特征圖沿通道維度拼接，然后通過一個卷積層來提取空間信息；
31、③權(quán)重生成：通過sigmoid激活函數(shù)將權(quán)重歸一化到0和1之間，生成最終的空間注意力圖；
32、④特征加權(quán)：將空間注意力圖與原始特征圖逐元素相乘，從而增強關(guān)鍵區(qū)域的特征，抑制不重要的區(qū)域；
33、本發(fā)明中，所述分類模塊由邏輯回歸作為輸出層，引入l2正則化有效防止模型過擬合，并以交叉熵損失函數(shù)與dice損失函數(shù)相結(jié)合的方式評估模型優(yōu)劣。損失函數(shù)的具體計算方法如式(3)-(6)：
34、①交叉熵損失lce：對于二分類問題，其計算式為：
35、
36、其中，n是樣本數(shù)量，yi是第i個樣本的真實標簽，是第i個樣本的預(yù)測概率；
37、②dice損失ldice為：
38、
39、③l2正則化項ll2為：
40、
41、其中，λ是正則化系數(shù)，m是模型參數(shù)的數(shù)量，ωj是第j個模型參數(shù)。
42、④總損失函數(shù)ltotal如式(6)：
43、
44、本發(fā)明可以有效解決由于個體差異與病理變化導(dǎo)致的左心室自動分割困難問題，為醫(yī)學研究和臨床診斷提供更準確的左心室分割結(jié)果，有助于對心臟疾病的早期發(fā)現(xiàn)和治療。
1.一種基于改進u-net的二維超聲心動圖左心室分割方法，其特征在于，包括圖像預(yù)處理模塊、特征提取及融合模塊以及分類器；其中：
2.根據(jù)權(quán)利要求1所述的二維超聲心動圖左心室分割系統(tǒng)，其特征在于，所述圖像預(yù)處理模塊中，具體工作流程為：
3.根據(jù)權(quán)利要求1所述的二維超聲心動圖左心室分割系統(tǒng)，其特征在于，所述分割網(wǎng)絡(luò)模型的構(gòu)建，具體流程為：
4.根據(jù)權(quán)利要求1所述的二維超聲心動圖左心室分割系統(tǒng)，其特征在于，所述分類模塊由邏輯回歸作為輸出層，引入l2正則化防止模型過擬合，并以交叉熵損失函數(shù)與dice損失函數(shù)相結(jié)合的方式評估模型優(yōu)劣；