(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211170317.0 (22)申请日 2022.09.22 (71)申请人 湖南师范大学 地址 410081 湖南省长 沙市岳麓区麓山路 36号 (72)发明人 刘金平　李梦可　吴小强　郑坤一　 王靖超　钟添添　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 曾志鹏 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于特征复用和多尺度权重卷积的右心室 分割方法及装置 (57)摘要 本发明公开了一种基于特征复用和多尺度 权重卷积的右心室分割方法及装置， 方法包括： 获取基准数据集， 对基准数据集进行数据预处理 和数据划分， 得到训练测试集和检测数据集； 构 建右心室分割网络， 包含特征复用编码路径、 多 尺度权重 卷积编码路径和解码路径， 特征复用编 码路径用于挖掘右心室复杂的内部特征， 多尺度 权重卷积编码路径用于提取右心室的边缘特征 以及聚合不同尺度的边缘特征， 解码路径用于基 于两条编码路径的特征进行右心室分割； 通过训 练测试集训练右心室分割网络； 将检测数据集中 的每个MRI图像输入到训练好的右心室分割网 络， 获取右心室分割结果。 本发明提高了右心室 分割效率。 权利要求书3页 说明书12页 附图6页 CN 115424021 A 2022.12.02 CN 115424021 A 1.一种基于特 征复用和多尺度权 重卷积的右 心室分割方法， 其特 征在于， 包括： 获取基准数据集， 并对所述基准数据集进行数据预处理和数据划分， 得到训练测试集 和检测数据集； 所述基准数据集包含多张心脏MRI图像和部分心脏MRI图像的手动分割标 签； 构建右心室分割网络； 所述右心室分割网络包含三条路径， 分别为特征复用编码路径、 多尺度权 重卷积编码路径和解码路径； 其中， 所述特征复用编码路径包含至少两个特征复用模块和至少一个第一下采样模 块； 所述特征复用模块用于提取右心室的内部特征； 所述第一下采样模块用于对所述特征 复用模块输出的特 征进行下采样， 并将下采样后的特 征输入到下一个模块； 所述多尺度权重卷积编码路径包含至少一个多尺度权重卷积模块、 至少一个第 二下采 样模块和一个基础卷积块； 所述多尺度权重卷积模块用于提取右心室的不同尺度的边缘特 征， 并对不同尺度的所述边缘特征进行聚合； 所述下采样模块用于对所述多尺度权重卷积 模块输出 的特征进行下采样， 并将下采样后的特征输入到下一个模块； 所述基础卷积块用 于对所述下采样模块输出的特 征进行卷积操作； 所述解码路径包含一个特征融合模块、 至少一个上采样模块、 至少一个连接模块和至 少一个所述基础卷积块和输出层； 所述特征融合层用于对所述特征复用编 码路径和所述多 尺度权重卷积编码路径输出的特征进 行融合； 所述上采样模块用于对来自上一个模块的特 征进行上采样， 并将上采样后的特征输入到所述连接模块； 所述连接模块用于使用跳跃连 接组合所述第一下采样模块、 所述第二下采样模块和所述上采样模块输出 的特征， 输入到 所述基础卷积块； 所述基础卷积块用于对所述连接模块输出 的特征进行卷积操作； 所述输 出层用于根据最后一个所述基础卷积块输出的特 征预测分割结果， 得到右 心室分割结果； 通过所述训练测试集训练所述右 心室分割网络； 将所述检测数据集中的每个MRI图像输入到训练好的右心室分割网络， 获取对应的右 心室分割结果。 2.根据权利要求1所述的基于特征复用和多尺度权重卷积的右心室分割方法， 其特征 在于， 所述特征复用模块包含两条复用路径、 一个特征级联层和一个随机丢弃层； 每条所述 复用路径均由第一卷积单元、 组合单元、 特征级联层和 第二卷积单元组成， 所述复用路径先 通过所述第一卷积单元和所述组合单元对输入的MRI图像进行两次卷积操作， 再通过所述 特征级联层将输入的MRI图像与两次卷积操作后的特征图进行融合， 最后通过所述第二卷 积单元对融合后的特征进 行过滤； 所述特征级联层用于对两条所述复用路径输出的特征进 行融合； 所述随机 丢弃层用于对所述特 征级联层输出的特 征进行随机 丢弃； 所述第一下采样模块由依次连接的批量归一化层、 Relu激活函数层、 卷积核大小为1*1 的卷积层和滑动窗口为2 ×2的平均池化层组成。 3.根据权利要求2所述的基于特征复用和多尺度权重卷积的右心室分割方法， 其特征 在于， 所述第一卷积单元由卷积核 大小为3*3的卷积层和Relu激活函数组成； 所述组合单元 由依次连接的卷积核大小为3*3的卷积层、 Relu激活函数、 随机丢弃层和批量归一化层组 成； 所述第二卷积单元由卷积核 大小为3*3的卷积层和Relu激活函数组成， 并且所述卷积层 中设有四组滤波器。 4.根据权利要求1所述的基于特征复用和多尺度权重卷积的右心室分割方法， 其特征权　利　要　求　书 1/3 页 2 CN 115424021 A 2在于， 所述多尺度权重卷积模块包含四个不同尺度的权重空洞卷积块、 一个特征级联层和 一个第三卷积单元； 四个权重空洞卷积块均由空洞卷积单元、 Softmax激活函数层和加权层 组成， 四个空洞卷积单 元均由空洞卷积层、 随机 丢弃层和Relu激活函数组成； 所述第二下采样模块由步长为2、 卷积核大小为3*3的卷积层组成； 所述基础卷积块由 两个卷积层组成。 5.根据权利要求4所述的基于特征复用和多尺度权重卷积的右心室分割方法， 其特征 在于， 所述第三卷积单元由步长为2、 卷积核大小为3 ×3的卷积层和Relu激活函数组成； 所 述四个空洞卷积层的卷积核大小均为3 *3， 扩张速率分别为1、 2、 4和8。 6.根据权利要求1所述的基于特征复用和多尺度权重卷积的右心室分割方法， 其特征 在于， 所述解码路径中的特征融合模块由依 次连接的特征级联层和卷积层组成， 所述特征 融合模块先通过所述特征级联层对所述特征复用编码路径和所述多尺度权重卷积编码路 径输出的特征进 行融合， 再通过所述卷积层对所述特征级联层输出的特征进 行卷积操作后 输出到第一个上采样模块； 所述输出层由卷积核大小为1*1的卷积层和Sigmo id激活函数层组成。 7.根据权利要求1所述的基于特征复用和多尺度权重卷积的右心室分割方法， 其特征 在于， 所述 获取基准数据集， 并对所述基准数据集进 行数据预 处理和数据划分， 得到训练测 试集和检测数据集， 包括： 选取ACDC数据集作为基准数据集； 通过插值算法， 对所述ACDC数据集中的心脏MRI 图像和手动分割标签进行分辨率统一 处理， 以将所述心脏 MRI图像和所述手动分割标签的分辨 率统一为预设分辨率； 对所述ACDC数据 集中的所述心脏MRI图像依次进行标准化处理和归一化处理， 得到MRI 图像； 根据具有手动分割标签的MRI图像构建训练测试集， 并根据不具有手动分割标签的MRI 图像构建检测数据集。 8.根据权利要求1所述的基于特征复用和多尺度权重卷积的右心室分割方法， 其特征 在于， 所述 通过所述训练测试集训练所述右 心室分割网络， 包括： 将所述训练测试集划分为训练数据集和 和测试数据集； 初始化所述右 心室分割网络的网络 权重参数； 将所述训练数据集输入所述右心室分割网络进行训练， 得到训练后的右心室分割网 络， 并根据所述右 心室分割网络 输出的自动分割结果与手动分割标签 计算损失函数值； 将所述测试数据集输入训练后的右心室分割网络进行测试， 检测根据 所述右心室分割 网络输出 的自动分割结果与手动分割标签计算的分割性能评价指标值是否满足预设指标 值； 若不满足， 则调用预设优化器， 根据 所述损失函数值优化所述网络权重参数后， 重新训 练所述右心室分割网络， 直至根据所述右心室分割网络输出的自动分割结果与手动分割标 签计算的分割性能评价指标值满足预设指标值， 停止训练， 保留优化后的网络权重参数， 并 输出训练好的右 心室分割网络 。 9.一种基于特 征复用和多尺度权 重卷积的右 心室分割装置， 其特 征在于， 包括： 数据获取模块， 用于获取基准数据集， 并对所述基准数据集进行数据预处理和数据划权　利　要　求　书 2/3 页 3 CN 115424021 A 3