基于特征相似性和超参数卷积注意力的心脏MRI分割方法

基于特征相似性和超参数卷积注意力的心脏mri分割方法
技术领域
1.本发明涉及医学图像分割技术领域，具体涉及一种基于特征相似性和超参数卷积注意力的心脏mri分割方法。


背景技术：

2.心脏mri的精确分割有助于早期诊断和治疗，基于分割结果，医生可以有效地获得诊断指标，如心肌质量和厚度、射血分数和心室容积。目前心脏mri分割的研究方法主要分为基于传统和基于深度学习的方法。传统的方法的表示能力通常太有限，无法处理外观和形状的巨大变化，在心脏mri分割中表现并不出色。随着成像和计算能力的进步，深度学习使特征抽象达到了更高水平，而u-net的提议大大促进了基于深度学习的图像分割的发展，是最成功的医学图像分割体系结构。然而，由于心脏解剖结构复杂，心脏分割仍然具有挑战性，在成像过程中容易产生伪影，部分体积效应和强度分布的不均匀性，特征利用不充分、依赖性较低等问题，因此，找到一个稳健和准确的心脏组织分割方法具有重要意义。


技术实现要素：

3.本发明为了克服以上技术的不足，提供了一种加快网络收敛的超参数卷积注意力，获得更好的分割结果的心脏mri分割方法。
4.本发明克服其技术问题所采用的技术方案是：
5.一种基于特征相似性和超参数卷积注意力的心脏mri分割方法，包括如下步骤：a)收集n个患者的心脏mri数据，得到mri数据集p，p＝{p1,p2,...,pi,...,pn}，pi为第i名患者的心脏mri数据，i∈{1,2,...,n}；b)对mri数据集p进行预处理操作，得到预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}；
6.c)将预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}划分为训练集、验证集和测试集；
7.d)建立分割网络模型，分割网络模型由编码器和解码器构成，将训练集中的第i名患者预处理后的图像t
fa
i输入到分割网络模型的编码器中，得到特征图
8.e)将特征图输入到分割网络模型的解码器中，得到分割图像；
9.f)训练分割网络模型；
10.g)将测试集中的第i名患者预处理后的图像t
fa
i输入到训练后的分割网络模型中，输出得到预测的分割图像。
11.优选的，步骤a)中从自动心脏诊断挑战公开数据中获取包含100名患者的心脏短轴电影mri数据，得到mri数据集。
12.进一步的，步骤b)包括如下步骤：
13.b-1)将第i名患者的心脏mri数据pi和其相对应的分割掩码沿z轴进行逐个切片的重采样，重采样为x轴方向的像素间距为1.5，y轴方向的像素间距为1.5；b-2)将重采样后的
心脏mri数据pi执行裁剪大小为192
×
192的2d中心剪裁操作，得到剪裁后的数据p
′i，剪裁后的mri数据集p
′
，p
′
＝{p
′1,p
′2,...,p
′i,...,p
′n}，将剪裁后的mri数据集p
′
保存为nii格式文件；b-3)读取第i名患者的nii格式文件，将其切片为二维图像，将切片后的二维图像进行归一化处理，得到第i名患者预处理后的图像t
fa
i，预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}。
14.优选的，步骤c)中将预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}按7:2:1的比例划分为训练集、验证集和测试集。
15.进一步的，步骤d)包括如下步骤：
16.d-1)分割网络模型的编码器由第一卷积单元、第二卷积单元、第一最大池化层、第三卷积单元、第四卷积单元、第二最大池化层、第五卷积单元、第六卷积单元、第三最大池化层、第七卷积单元、第八卷积单元、第四最大池化层、深度超参数卷积层、特征相似性模块fs构成；
17.d-2)编码器的第一卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将训练集中的第i个预处理后的图像t
fa
i输入到编码器的第一卷积单元中，输出得到特征图d-3)编码器的第二卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第二卷积单元中，输出得到特征图d-4)将特征图输入到编码器的第一最大池化层中，输出得到特征图d-5)编码器的第三卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第三卷积单元中，输出得到特征图d-6)编码器的第四卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第四卷积单元中，输出得到特征图d-7)将特征图输入到编码器的第二最大池化层中，输出得到特征图d-8)编码器的第五卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第五卷积单元中，输出得到特征图d-9)编码器的第六卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第六卷积单元中，输出得到特征图d-10)将特征图输入到编码器的第三最大池化层中，输出得到特征图d-11)编码器的第七卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第七卷积单元中，输出得到特征图d-12)编码器的第八卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第八卷积单元中，输
出得到特征图d-13)将特征图输入到编码器的第四最大池化层中，输出得到特征图d-14)将特征图输入到编码器的深度超参数卷积层中，输出得到特征图d-15)编码器的特征相似性模块fs由卷积单元、第一卷积层、第二卷积层、第三卷积层、softmax函数层、reshape函数层、第四卷积层构成；
18.d-16)特征相似性模块fs的卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到特征相似性模块fs的卷积单元中，输出得到特征图t
fs-1
；
19.d-17)将特征图t
fs-1
分别输入到特征相似性模块fs的第一卷积层、第二卷积层、第三卷积层，分别得到特征图t
fs-1-1
、特征图t
fs-1-2
、特征图t
fs-1-3
；
20.d-18)将特征图t
fs-1-1
与特征图t
fs-1-2
相乘操作后输入到特征相似性模块fs的softmax函数层中，输出得到特征图t
fs-1-4
；
21.d-19)将特征图t
fs-1-3
和特征图t
fs-1-4
相乘操作后输入到特征相似性模块fs的reshape函数层中，输出得到特征图tf′
s-1-5
，将特征图tf′
s-1-5
与特征图t
fs-1
相加得到特征图t
fs-1-5
；
22.d-20)将特征图t
fs-1-5
输入到特征相似性模块fs的第四卷积层中，输出得到特征图
23.优选的，步骤d-2)中第一卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-3)中第二卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-4)中第一最大池化层的卷积核大小为2
×
2；步骤d-5)中第三卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-6)中第四卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-7)中第二最大池化层的卷积核大小为2
×
2；步骤d-8)中第五卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-9)中第六卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-10)中第三最大池化层的卷积核大小为2
×
2；d-11)中第七卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；d-12)中第八卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-13)中第四最大池化层的卷积核大小为2
×
2；步骤d-14)中深度超参数卷积层的卷积核大小为3
×
3、padding为1、步长为1；d-16)中特征相似性模块fs的卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；d-17)中特征相似性模块fs的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1
×
1；d-18)中特征相似性模块fs的卷积单元的第四卷积层的卷积核大小为3
×
3、padding为1、步长为1。
24.进一步的，步骤e)包括如下步骤：
25.e-1)分割网络模型的解码器由第一上采样层、第一超参数卷积注意力模块oca、第二上采样层、第二超参数卷积注意力模块oca、第三上采样层、第三超参数卷积注意力模块oca、第四上采样层、第四超参数卷积注意力模块oca构成；
26.e-2)将特征图输入到解码器的第一上采样层中，输出得到特征图e-3)将特征图与特征图进行拼接操作，得到特征图e-4)解码器的第一超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、
sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-1-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-1-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-1-3
，将特征图t
fau-1-1
和特征图t
fau-1-2
相加得到特征图t
fau-1-4
，将特征图t
fau-1-2
和特征图t
fau-1-3
相加得到特征图t
fau-1-5
，将特征图t
fau-1-4
输入到第一超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-1-6
，将注意力图t
fau-1-5
输入到第一超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-1-7
，将注意力图t
fau-1-5
输入到第一超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-1-8
，将注意力图t
fau-1-6
与特征图t
fau-1-7
相乘操作后输入到第一超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-1-9
，将特征图t
fau-1-7
、特征图t
fau-1-8
、特征图相加得到特征图t
fau-1-10
，将特征图t
fau-1-9
与特征图t
fau-1-10
相乘操作后输入到第一超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-5)将特征图输入到解码器的第二上采样层中，输出得到特征图e-6)将特征图与特征图进行拼接操作，得到特征图e-7)解码器的第二超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-2-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-2-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-2-3
，将特征图t
fau-2-1
和特征图t
fau-2-2
相加得到特征图t
fau-2-4
，将特征图t
fau-2-2
和特征图t
fau-2-3
相加得到特征图t
fau-2-5
，将特征图t
fau-2-4
输入到第二超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-2-6
，将注意力图t
fau-2-5
输入到第二超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-2-7
，将注意力图t
fau-2-5
输入到第二超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-2-8
，将注意力图t
fau-2-6
与特征图t
fau-2-7
相乘操作后输入到第二超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-2-9
，将特征图t
fau-2-7
、特征图t
fau-2-8
、特征图相加得到特征图t
fau-2-10
，将特征图t
fau-2-9
与特征图t
fau-2-10
相乘操作后输入到第二超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-8)将特征图输入到解码器的第三上采样层中，输出得到特征图e-9)将特征图与特征图进行拼接操作，得到特征图e-10)解码器的第三超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第
一深度超参数卷积层后，得到特征图t
fau-3-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-3-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-3-3
，将特征图t
fau-3-1
和特征图t
fau-3-2
相加得到特征图t
fau-3-4
，将特征图t
fau-3-2
和特征图t
fau-3-3
相加得到特征图t
fau-3-5
，将特征图t
fau-3-4
输入到第三超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-3-6
，将注意力图t
fau-3-5
输入到第三超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-3-7
，将注意力图t
fau-3-5
输入到第三超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-3-8
，将注意力图t
fau-3-6
与特征图t
fau-3-7
相乘操作后输入到第三超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-3-9
，将特征图t
fau-3-7
、特征图t
fau-3-8
、特征图相加得到特征图t
fau-3-10
，将特征图t
fau-3-9
与特征图t
fau-3-10
相乘操作后输入到第三超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-11)将特征图输入到解码器的第四上采样层中，输出得到特征图e-12)将特征图与特征图进行拼接操作，得到特征图e-13)解码器的第四超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-4-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-4-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-4-3
，将特征图t
fau-4-1
和特征图t
fau-4-2
相加得到特征图t
fau-4-4
，将特征图t
fau-4-2
和特征图t
fau-4-3
相加得到特征图t
fau-4-5
，将特征图t
fau-4-4
输入到第四超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-4-6
，将注意力图t
fau-4-5
输入到第四超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-4-7
，将注意力图t
fau-4-5
输入到第四超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-4-8
，将注意力图t
fau-4-6
与特征图t
fau-4-7
相乘操作后输入到第四超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-4-9
，将特征图t
fau-4-7
、特征图t
fau-4-8
、特征图相加得到特征图t
fau-4-10
，将特征图t
fau-4-9
与特征图t
fau-4-10
相乘操作后输入到第四超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-14)将特征图进行1
×
1的卷积操作后输出得到分割图像。
27.优选的，解码器的第一上采样层、第二上采样层、第三上采样层、第四上采样层的卷积核大小均为2
×
2；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第一深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为3；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第二深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为5、第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca
的的第三深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为1；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的的第一卷积层的卷积核大小均为5
×
5、padding均为2；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第二卷积层的卷积核大小均为3
×
3、padding均为1；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的深度可分离卷积层的卷积核大小均为3
×
3；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第三卷积层的卷积核大小均为1
×
1。
28.进一步的，步骤f)包括如下步骤：
29.f-1)通过公式total
loss
＝d
loss
+wce
loss
计算得到总损失total
loss
，式中d
loss
为dice损失，wce
loss
为加权交叉熵损失；
30.f-2)采用adam优化器使用总损失total
loss
训练分割网络模型。
31.优选的，步骤f-2)训练时批处理的大小设置为16，迭代周期为100，学习率设置为0.001。
32.本发明的有益效果是：通过提取长程依赖性来探索密集的上下文信息，并将其编码到特征图中，有助于分割心脏中不同形态的组织。将超参数卷积注意力模块代替解码器中的普通卷积，用于提取重要的特征信息，扩大感受野，加快收敛速度，提高模型性能。
附图说明
33.图1为本发明的分割网络模型结构图；
34.图2为本发明的特征相似性模块fs的结构图；
35.图3为本发明的超参数卷积注意力模块oca的结构图。
具体实施方式
36.下面结合附图1、附图2、附图3对本发明做进一步说明。
37.一种基于特征相似性和超参数卷积注意力的心脏mri分割方法，包括如下步骤：a)收集n个患者的心脏mri数据，得到mri数据集p，p＝{p1,p2,...,pi,...,pn}，pi为第i名患者的心脏mri数据，i∈{1,2,...,n}。b)对mri数据集p进行预处理操作，得到预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}。
38.c)将预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}划分为训练集、验证集和测试集。
39.d)建立分割网络模型，分割网络模型由编码器和解码器构成，将训练集中的第i名患者预处理后的图像t
fa
i输入到分割网络模型的编码器中，得到特征图
40.e)将特征图输入到分割网络模型的解码器中，得到分割图像。
41.f)训练分割网络模型。
42.g)将测试集中的第i名患者预处理后的图像t
fa
i输入到训练后的分割网络模型中，输出得到预测的分割图像。
43.分割网络模型中使用特征相似性模块，通过提取长程依赖性来探索密集的上下文信息，并将其编码到特征图中，有助于分割心脏中不同形态的组织。将超参数卷积注意力模块代替解码器中的普通卷积，用于提取重要的特征信息，扩大感受野，加快收敛速度，提高模型性能。结合加权交叉熵损失和dice损失的组合函数联合指导网络的训练，能够更全面的考虑正负样本之间的平衡关系，可以在保证高灵敏度的同时提高网络的训练效率和分割精度，产生更加稳定的训练结果。
44.实施例1：
45.步骤a)中从自动心脏诊断挑战公开数据(automated cardiac diagnosis challenge，acdc)中获取包含100名患者的心脏短轴电影mri数据，得到mri数据集。
46.实施例2：
47.步骤b)包括如下步骤：
48.b-1)将第i名患者的心脏mri数据pi和其相对应的分割掩码沿z轴进行逐个切片的重采样，重采样为x轴方向的像素间距为1.5，y轴方向的像素间距为1.5。b-2)将重采样后的心脏mri数据pi执行裁剪大小为192
×
192的2d中心剪裁操作，得到剪裁后的数据p
′i，剪裁后的mri数据集p
′
，p
′
＝{p
′1,p
′2,...,p
′i,...,p
′n}，将剪裁后的mri数据集p
′
保存为nii格式文件。b-3)读取第i名患者的nii格式文件，将其切片为二维图像，将切片后的二维图像进行归一化处理，得到第i名患者预处理后的图像t
fa
i，预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}。
49.实施例3：
50.步骤c)中将预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}按7:2:1的比例划分为训练集、验证集和测试集。
51.实施例4：
52.步骤d)包括如下步骤：
53.d-1)分割网络模型的编码器由第一卷积单元、第二卷积单元、第一最大池化层、第三卷积单元、第四卷积单元、第二最大池化层、第五卷积单元、第六卷积单元、第三最大池化层、第七卷积单元、第八卷积单元、第四最大池化层、深度超参数卷积层、特征相似性模块fs构成。
54.d-2)编码器的第一卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将训练集中的第i个预处理后的图像t
fa
i输入到编码器的第一卷积单元中，输出得到特征图
55.d-3)编码器的第二卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第二卷积单元中，输出得到特征图
56.d-4)将特征图输入到编码器的第一最大池化层中，输出得到特征图
57.d-5)编码器的第三卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第三卷积单元中，输出得到特征图
58.d-6)编码器的第四卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将
特征图输入到编码器的第四卷积单元中，输出得到特征图
59.d-7)将特征图输入到编码器的第二最大池化层中，输出得到特征图
60.d-8)编码器的第五卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第五卷积单元中，输出得到特征图
61.d-9)编码器的第六卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第六卷积单元中，输出得到特征图
62.d-10)将特征图输入到编码器的第三最大池化层中，输出得到特征图
63.d-11)编码器的第七卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第七卷积单元中，输出得到特征图d-12)编码器的第八卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第八卷积单元中，输出得到特征图d-13)将特征图输入到编码器的第四最大池化层中，输出得到特征图d-14)将特征图输入到编码器的深度超参数卷积层中，输出得到特征图d-15)编码器的特征相似性模块fs由卷积单元、第一卷积层、第二卷积层、第三卷积层、softmax函数层、reshape函数层、第四卷积层构成。
64.d-16)特征相似性模块fs的卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到特征相似性模块fs的卷积单元中，输出得到特征图t
fs-1
。
65.d-17)将特征图t
fs-1
分别输入到特征相似性模块fs的第一卷积层、第二卷积层、第三卷积层，分别得到特征图t
fs-1-1
、特征图t
fs-1-2
、特征图t
fs-1-3
。d-18)将特征图t
fs-1-1
与特征图t
fs-1-2
相乘操作后输入到特征相似性模块fs的softmax函数层中，输出得到特征图t
fs-1-4
。
66.d-19)将特征图t
fs-1-3
和特征图t
fs-1-4
相乘操作后输入到特征相似性模块fs的reshape函数层中，输出得到特征图tf′
s-1-5
，将特征图tf′
s-1-5
与特征图t
fs-1
相加得到特征图t
fs-1-5
。
67.d-20)将特征图t
fs-1-5
输入到特征相似性模块fs的第四卷积层中，输出得到特征图
68.在该实施例中，优选的，步骤d-2)中第一卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-3)中第二卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-4)中第一最大池化层的卷积核大小为2
×
2；步骤d-5)中第三卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-6)中第四卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-7)中第二最大池化层的卷积核大小为2
×
2；步骤d-8)中第五卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-9)中第六卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-10)中第三最大池化层的卷积核大小为2
×
2；d-11)中第七卷积单元的卷积层的卷积核大小为3
×
3、
padding为1、步长为1；d-12)中第八卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-13)中第四最大池化层的卷积核大小为2
×
2；步骤d-14)中深度超参数卷积层的卷积核大小为3
×
3、padding为1、步长为1；d-16)中特征相似性模块fs的卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；d-17)中特征相似性模块fs的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1
×
1；d-18)中特征相似性模块fs的卷积单元的第四卷积层的卷积核大小为3
×
3、padding为1、步长为1。
69.实施例5：
70.步骤e)包括如下步骤：
71.e-1)分割网络模型的解码器由第一上采样层、第一超参数卷积注意力模块oca、第二上采样层、第二超参数卷积注意力模块oca、第三上采样层、第三超参数卷积注意力模块oca、第四上采样层、第四超参数卷积注意力模块oca构成。e-2)将特征图输入到解码器的第一上采样层中，输出得到特征图e-3)将特征图与特征图进行拼接操作，得到特征图e-4)解码器的第一超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-1-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-1-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-1-3
，将特征图t
fau-1-1
和特征图t
fau-1-2
相加得到特征图t
fau-1-4
，将特征图t
fau-1-2
和特征图t
fau-1-3
相加得到特征图t
fau-1-5
，将特征图t
fau-1-4
输入到第一超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-1-6
，将注意力图t
fau-1-5
输入到第一超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-1-7
，将注意力图t
fau-1-5
输入到第一超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-1-8
，将注意力图t
fau-1-6
与特征图t
fau-1-7
相乘操作后输入到第一超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-1-9
，将特征图t
fau-1-7
、特征图t
fau-1-8
、特征图相加得到特征图t
fau-1-10
，将特征图t
fau-1-9
与特征图t
fau-1-10
相乘操作后输入到第一超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-5)将特征图输入到解码器的第二上采样层中，输出得到特征图e-6)将特征图与特征图进行拼接操作，得到特征图e-7)解码器的第二超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-2-1
，将特征图输入到第二深度超参数卷积层后，
得到特征图t
fau-2-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-2-3
，将特征图t
fau-2-1
和特征图t
fau-2-2
相加得到特征图t
fau-2-4
，将特征图t
fau-2-2
和特征图t
fau-2-3
相加得到特征图t
fau-2-5
，将特征图t
fau-2-4
输入到第二超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-2-6
，将注意力图t
fau-2-5
输入到第二超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-2-7
，将注意力图t
fau-2-5
输入到第二超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-2-8
，将注意力图t
fau-2-6
与特征图t
fau-2-7
相乘操作后输入到第二超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-2-9
，将特征图t
fau-2-7
、特征图t
fau-2-8
、特征图相加得到特征图t
fau-2-10
，将特征图t
fau-2-9
与特征图t
fau-2-10
相乘操作后输入到第二超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-8)将特征图输入到解码器的第三上采样层中，输出得到特征图e-9)将特征图与特征图进行拼接操作，得到特征图e-10)解码器的第三超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-3-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-3-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-3-3
，将特征图t
fau-3-1
和特征图t
fau-3-2
相加得到特征图t
fau-3-4
，将特征图t
fau-3-2
和特征图t
fau-3-3
相加得到特征图t
fau-3-5
，将特征图t
fau-3-4
输入到第三超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-3-6
，将注意力图t
fau-3-5
输入到第三超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-3-7
，将注意力图t
fau-3-5
输入到第三超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-3-8
，将注意力图t
fau-3-6
与特征图t
fau-3-7
相乘操作后输入到第三超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-3-9
，将特征图t
fau-3-7
、特征图t
fau-3-8
、特征图相加得到特征图t
fau-3-10
，将特征图t
fau-3-9
与特征图t
fau-3-10
相乘操作后输入到第三超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-11)将特征图输入到解码器的第四上采样层中，输出得到特征图e-12)将特征图与特征图进行拼接操作，得到特征图e-13)解码器的第四超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-4-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-4-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-4-3
，将特征图t
fau-4-1
和特征图
t
fau-4-2
相加得到特征图t
fau-4-4
，将特征图t
fau-4-2
和特征图t
fau-4-3
相加得到特征图t
fau-4-5
，将特征图t
fau-4-4
输入到第四超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-4-6
，将注意力图t
fau-4-5
输入到第四超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-4-7
，将注意力图t
fau-4-5
输入到第四超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-4-8
，将注意力图t
fau-4-6
与特征图t
fau-4-7
相乘操作后输入到第四超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-4-9
，将特征图t
fau-4-7
、特征图t
fau-4-8
、特征图相加得到特征图t
fau-4-10
，将特征图t
fau-4-9
与特征图t
fau-4-10
相乘操作后输入到第四超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-14)将特征图进行1
×
1的卷积操作后输出得到分割图像。
72.在该实施例中，优选的，解码器的第一上采样层、第二上采样层、第三上采样层、第四上采样层的卷积核大小均为2
×
2；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第一深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为3；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第二深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为5、第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的的第三深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为1；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的的第一卷积层的卷积核大小均为5
×
5、padding均为2；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第二卷积层的卷积核大小均为3
×
3、padding均为1；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的深度可分离卷积层的卷积核大小均为3
×
3；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第三卷积层的卷积核大小均为1
×
1。
73.实施例6：
74.步骤f)包括如下步骤：
75.f-1)通过公式total
loss
＝d
loss
+wce
loss
计算得到总损失total
loss
，式中d
loss
为dice损失，wce
loss
为加权交叉熵损失。
76.f-2)采用adam优化器使用总损失total
loss
训练分割网络模型。优选的，步骤f-2)训练时批处理的大小设置为16，迭代周期为100，学习率设置为0.001。最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于，包括如下步骤：a)收集n个患者的心脏mri数据，得到mri数据集p，p＝{p1,p2,...,p
i
,...,p
n
}，p
i
为第i名患者的心脏mri数据，i∈{1,2,...,n}；b)对mri数据集p进行预处理操作，得到预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}；c)将预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}划分为训练集、验证集和测试集；d)建立分割网络模型，分割网络模型由编码器和解码器构成，将训练集中的第i名患者预处理后的图像t
fa
i输入到分割网络模型的编码器中，得到特征图e)将特征图输入到分割网络模型的解码器中，得到分割图像；f)训练分割网络模型；g)将测试集中的第i名患者预处理后的图像t
fa
i输入到训练后的分割网络模型中，输出得到预测的分割图像。2.根据权利要求1所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于：步骤a)中从自动心脏诊断挑战公开数据中获取包含100名患者的心脏短轴电影mri数据，得到mri数据集。3.根据权利要求1所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于，步骤b)包括如下步骤：b-1)将第i名患者的心脏mri数据p
i
和其相对应的分割掩码沿z轴进行逐个切片的重采样，重采样为x轴方向的像素间距为1.5，y轴方向的像素间距为1.5；b-2)将重采样后的心脏mri数据p
i
执行裁剪大小为192
×
192的2d中心剪裁操作，得到剪裁后的数据p
′
i
，剪裁后的mri数据集p
′
，p
′
＝{p
′1,p
′2,...,p
′
i
,...,p
′
n
}，将剪裁后的mri数据集p
′
保存为nii格式文件；b-3)读取第i名患者的nii格式文件，将其切片为二维图像，将切片后的二维图像进行归一化处理，得到第i名患者预处理后的图像t
fa
i，预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}。4.根据权利要求1所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于：步骤c)中将预处理后的数据集t
fa
＝{t
fa
1,t
fa
2,...,t
fa
i,...,t
fa
n}按7:2:1的比例划分为训练集、验证集和测试集。5.根据权利要求1所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于，步骤d)包括如下步骤：d-1)分割网络模型的编码器由第一卷积单元、第二卷积单元、第一最大池化层、第三卷积单元、第四卷积单元、第二最大池化层、第五卷积单元、第六卷积单元、第三最大池化层、第七卷积单元、第八卷积单元、第四最大池化层、深度超参数卷积层、特征相似性模块fs构成；d-2)编码器的第一卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将训练集中的第i个预处理后的图像t
fa
i输入到编码器的第一卷积单元中，输出得到特征图
d-3)编码器的第二卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第二卷积单元中，输出得到特征图d-4)将特征图输入到编码器的第一最大池化层中，输出得到特征图d-5)编码器的第三卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第三卷积单元中，输出得到特征图d-6)编码器的第四卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第四卷积单元中，输出得到特征图d-7)将特征图输入到编码器的第二最大池化层中，输出得到特征图d-8)编码器的第五卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第五卷积单元中，输出得到特征图d-9)编码器的第六卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第六卷积单元中，输出得到特征图d-10)将特征图输入到编码器的第三最大池化层中，输出得到特征图d-11)编码器的第七卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第七卷积单元中，输出得到特征图d-12)编码器的第八卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到编码器的第八卷积单元中，输出得到特征图d-13)将特征图输入到编码器的第四最大池化层中，输出得到特征图d-14)将特征图输入到编码器的深度超参数卷积层中，输出得到特征图d-15)编码器的特征相似性模块fs由卷积单元、第一卷积层、第二卷积层、第三卷积层、softmax函数层、reshape函数层、第四卷积层构成；d-16)特征相似性模块fs的卷积单元依次由卷积层、batchnorm层、relu激活函数构成，将特征图输入到特征相似性模块fs的卷积单元中，输出得到特征图t
fs-1
；d-17)将特征图t
fs-1
分别输入到特征相似性模块fs的第一卷积层、第二卷积层、第三卷积层，分别得到特征图t
fs-1-1
、特征图t
fs-1-2
、特征图t
fs-1-3
；d-18)将特征图t
fs-1-1
与特征图t
fs-1-2
相乘操作后输入到特征相似性模块fs的softmax函数层中，输出得到特征图t
fs-1-4
；d-19)将特征图t
fs-1-3
和特征图t
fs-1-4
相乘操作后输入到特征相似性模块fs的reshape函数层中，输出得到特征图t
′
fs-1-5
，将特征图t
′
fs-1-5
与特征图t
fs-1
相加得到特征图t
fs-1-5
；
d-20)将特征图t
fs-1-5
输入到特征相似性模块fs的第四卷积层中，输出得到特征图6.根据权利要求4所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于：步骤d-2)中第一卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-3)中第二卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-4)中第一最大池化层的卷积核大小为2
×
2；步骤d-5)中第三卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-6)中第四卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-7)中第二最大池化层的卷积核大小为2
×
2；步骤d-8)中第五卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-9)中第六卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-10)中第三最大池化层的卷积核大小为2
×
2；d-11)中第七卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；d-12)中第八卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；步骤d-13)中第四最大池化层的卷积核大小为2
×
2；步骤d-14)中深度超参数卷积层的卷积核大小为3
×
3、padding为1、步长为1；d-16)中特征相似性模块fs的卷积单元的卷积层的卷积核大小为3
×
3、padding为1、步长为1；d-17)中特征相似性模块fs的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1
×
1；d-18)中特征相似性模块fs的卷积单元的第四卷积层的卷积核大小为3
×
3、padding为1、步长为1。7.根据权利要求1所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，步骤e)包括如下步骤：e-1)分割网络模型的解码器由第一上采样层、第一超参数卷积注意力模块oca、第二上采样层、第二超参数卷积注意力模块oca、第三上采样层、第三超参数卷积注意力模块oca、第四上采样层、第四超参数卷积注意力模块oca构成；e-2)将特征图输入到解码器的第一上采样层中，输出得到特征图e-3)将特征图与特征图进行拼接操作，得到特征图e-4)解码器的第一超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-1-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-1-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-1-3
，将特征图t
fau-1-1
和特征图t
fau-1-2
相加得到特征图t
fau-1-4
，将特征图t
fau-1-2
和特征图t
fau-1-3
相加得到特征图t
fau-1-5
，将特征图t
fau-1-4
输入到第一超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-1-6
，将注意力图t
fau-1-5
输入到第一超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-1-7
，将注意力图t
fau-1-5
输入到第一超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-1-8
，将注意力图t
fau-1-6
与特征图t
fau-1-7
相乘操作后输入到第一超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-1-9
，将特征图t
fau-1-7
、特
征图t
fau-1-8
、特征图相加得到特征图t
fau-1-10
，将特征图t
fau-1-9
与特征图t
fau-1-10
相乘操作后输入到第一超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-5)将特征图输入到解码器的第二上采样层中，输出得到特征图e-6)将特征图与特征图进行拼接操作，得到特征图e-7)解码器的第二超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-2-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-2-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-2-3
，将特征图t
fau-2-1
和特征图t
fau-2-2
相加得到特征图t
fau-2-4
，将特征图t
fau-2-2
和特征图t
fau-2-3
相加得到特征图t
fau-2-5
，将特征图t
fau-2-4
输入到第二超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-2-6
，将注意力图t
fau-2-5
输入到第二超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-2-7
，将注意力图t
fau-2-5
输入到第二超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-2-8
，将注意力图t
fau-2-6
与特征图t
fau-2-7
相乘操作后输入到第二超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-2-9
，将特征图t
fau-2-7
、特征图t
fau-2-8
、特征图相加得到特征图t
fau-2-10
，将特征图t
fau-2-9
与特征图t
fau-2-10
相乘操作后输入到第二超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-8)将特征图输入到解码器的第三上采样层中，输出得到特征图e-9)将特征图与特征图进行拼接操作，得到特征图e-10)解码器的第三超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-3-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-3-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-3-3
，将特征图t
fau-3-1
和特征图t
fau-3-2
相加得到特征图t
fau-3-4
，将特征图t
fau-3-2
和特征图t
fau-3-3
相加得到特征图t
fau-3-5
，将特征图t
fau-3-4
输入到第三超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-3-6
，将注意力图t
fau-3-5
输入到第三超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-3-7
，将注意力图t
fau-3-5
输入到第三超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-3-8
，将注意力图t
fau-3-6
与特征图t
fau-3-7
相乘操作后输入到第三超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-3-9
，将特征图t
fau-3-7
、特
征图t
fau-3-8
、特征图相加得到特征图t
fau-3-10
，将特征图t
fau-3-9
与特征图t
fau-3-10
相乘操作后输入到第三超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-11)将特征图输入到解码器的第四上采样层中，输出得到特征图e-12)将特征图与特征图进行拼接操作，得到特征图e-13)解码器的第四超参数卷积注意力模块oca由第一深度超参数卷积层、第二深度超参数卷积层、第三深度超参数卷积层、sigmoid函数层、第一卷积层、第二卷积层、深度可分离卷积层、第三卷积层构成，将特征图输入到第一深度超参数卷积层后，得到特征图t
fau-4-1
，将特征图输入到第二深度超参数卷积层后，得到特征图t
fau-4-2
，将特征图输入到第三深度超参数卷积层后，得到特征图t
fau-4-3
，将特征图t
fau-4-1
和特征图t
fau-4-2
相加得到特征图t
fau-4-4
，将特征图t
fau-4-2
和特征图t
fau-4-3
相加得到特征图t
fau-4-5
，将特征图t
fau-4-4
输入到第四超参数卷积注意力模块oca的sigmoid函数层后，输出得到注意力图t
fau-4-6
，将注意力图t
fau-4-5
输入到第四超参数卷积注意力模块oca的第一卷积层中，输出得到特征图t
fau-4-7
，将注意力图t
fau-4-5
输入到第四超参数卷积注意力模块oca的第二卷积层中，输出得到特征图t
fau-4-8
，将注意力图t
fau-4-6
与特征图t
fau-4-7
相乘操作后输入到第四超参数卷积注意力模块oca的深度可分离卷积层中，输出得到特征图t
fau-4-9
，将特征图t
fau-4-7
、特征图t
fau-4-8
、特征图相加得到特征图t
fau-4-10
，将特征图t
fau-4-9
与特征图t
fau-4-10
相乘操作后输入到第四超参数卷积注意力模块oca的第三卷积层中，输出得到特征图e-14)将特征图进行1
×
1的卷积操作后输出得到分割图像。8.根据权利要求6所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于：解码器的第一上采样层、第二上采样层、第三上采样层、第四上采样层的卷积核大小均为2
×
2；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第一深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为3；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第二深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为5、第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的的第三深度超参数卷积层的卷积核大小均为3
×
3、扩张率均为1；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的的第一卷积层的卷积核大小均为5
×
5、padding均为2；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第二卷积层的卷积核大小均为3
×
3、padding均为1；第一超参数卷积注意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的深度可分离卷积层的卷积核大小均为3
×
3；第一超参数卷积注
意力模块oca、第二超参数卷积注意力模块oca、第三超参数卷积注意力模块oca、第四超参数卷积注意力模块oca的第三卷积层的卷积核大小均为1
×
1。9.根据权利要求1所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于，步骤f)包括如下步骤：f-1)通过公式total
loss
＝d
loss
+wce
loss
计算得到总损失total
loss
，式中d
loss
为dice损失，wce
loss
为加权交叉熵损失；f-2)采用adam优化器使用总损失total
loss
训练分割网络模型。10.根据权利要求8所述的基于特征相似性和超参数卷积注意力的心脏mri分割方法，其特征在于：步骤f-2)训练时批处理的大小设置为16，迭代周期为100，学习率设置为0.001。

技术总结
一种基于特征相似性和超参数卷积注意力的心脏MRI分割方法，分割网络模型中使用特征相似性模块，通过提取长程依赖性来探索密集的上下文信息，并将其编码到特征图中，有助于分割心脏中不同形态的组织。将超参数卷积注意力模块代替解码器中的普通卷积，用于提取重要的特征信息，扩大感受野，加快收敛速度，提高模型性能。结合加权交叉熵损失和Dice损失的组合函数联合指导网络的训练，能够更全面的考虑正负样本之间的平衡关系，可以在保证高灵敏度的同时提高网络的训练效率和分割精度，产生更加稳定的训练结果。定的训练结果。定的训练结果。


技术研发人员：刘瑞霞 胡盼盼 舒明雷 徐鹏摇 尚晓依
受保护的技术使用者：齐鲁工业大学（山东省科学院）
技术研发日：2023.04.27
技术公布日：2023/10/7