基于ADC-UNet模型的心脏MRI结构分割方法.pdf

《基于ADC-UNet模型的心脏MRI结构分割方法.pdf》由会员分享，可在线阅读，更多相关《基于ADC-UNet模型的心脏MRI结构分割方法.pdf（21页完成版）》请在专利查询网上搜索。

1、(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 202310577145.7(22)申请日 2023.05.22(71)申请人 山东省人工智能研究院地址 250013 山东省济南市科院路19号 申请人 齐鲁工业大学（山东省科学院）青岛海信医疗设备股份有限公司(72)发明人 陈长芳翟纯琳舒明雷刘照阳陈永健陈哲高天雷(74)专利代理机构 济南泉城专利商标事务所 37218专利代理师 支文彬(51)Int.Cl.G06T 7/11(2017.01)G06T 7/00(2017.01)G06N 3/0464(2023.01)G06N 3/048(202。

2、3.01)(54)发明名称一种基于ADC-UNet模型的心脏MRI结构分割方法(57)摘要一种基于ADCUNet模型的心脏MRI结构分割方法，通过将注意力模块和跳跃连接相结合，在处理输入特征时抑制不相关的区域，同时突出显著特征。可变形卷积融合模块添加到解码器部分，充分利用目标切片融合特征中的有用信息，确保每个分割图的精确连续边界，可以更好地处理图像中不同尺度的特征，从而获得更精确的分割结果。权利要求书5页 说明书11页 附图4页CN 116612131 A2023.08.18CN 116612131 A1.一种基于ADCUNet模型的心脏MRI结构分割方法，其特征在于，包括如下步骤：a)获取由。

3、N组心脏MRI图像数据的数据集X，XX1,X2,.,Xi,.,XN，Xi为第i张心脏MRI图像数据，i1,N；b)将数据集X进行预处理，得到预处理后的数据集X；c)将预处理后的数据集X 划分为训练集、验证集、测试集；d)将训练集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到M个切片图像，第i个切片图像为Fi，i1,.,M；e)建立ADCUNet网络模型，ADCUNet网络模型由编码器和解码器构成；f)将第i个切片图像Fi输入到ADCUNet网络模型的编码器中，输出得到特征图A5i；g)将特征图A5i输入到ADCUNet网络模型的解码器中，输出得到融合特征图C1i；h)将融合特征图C1i。

4、输入到Softmax函数中，输出得到分割结果图像P1i；i)训练ADCUNet网络模型，得到优化后的ADCUNet网络模型；j)将测试集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到Q个切片图像，第i个切片图像为Fi，i1,.,Q；k)将第i个切片图像Fi 输入到优化后的ADCUNet网络模型中，输出得到分割结果图像P1i。2.根据权利要求1所述的基于ADCUNet模型的心脏MRI结构分割方法，其特征在于：步骤a)中从2017ACDC数据集中获取100组来自8个不同数据集的病人的心脏MRI图像数据，步骤d)中M取值为1312；步骤j)中Q取值为380。3.根据权利要求1所述的基于ADC。

5、UNet模型的心脏MRI结构分割方法，其特征在于，步骤b)包括如下步骤：b1)利用numpy库中的GetArrayFromImage()函数将第i张心脏MRI图像数据Xi转化为Numpy数组，将转换为Numpy数组的第i张心脏MRI图像数据沿Z轴方向切为若干2D切片；b2)将每个2D切片进行重采样，得到像素间距为(1.5,1.5)的新2D图像，将每个新2D图像进行进行中心剪裁，得到大小为256256的剪裁后的2D图像，将各个剪裁后的2D图像堆叠起来，恢复成为3D图 像Numpy数组，将3D图 像Numpy数组 利用numpy库中的GetArrayFromArray()函数转化回心脏MRI图像数。

6、据b3)将心脏MRI图像数据以0.5的概率沿水平轴或垂直轴进行翻转，随机旋转90度，得到旋转后的图像；b4)将旋转后的图像进行zscore标准化，得到预处理后的第i张心脏MRI图像数据Xi，各个预处理后的心脏MRI图像数据构成预处理后的数据集X，X X1,X2,.,Xi,.,XN。4.根据权利要求1所述的基于ADCUNet模型的心脏MRI结构分割方法，其特征在于：步骤c)中将预处理后的数据集X 按7:1:2的比例划分为训练集、验证集、测试集。5.根据权利要求1所述的基于ADCUNet模型的心脏MRI结构分割方法，其特征在于，步骤f)包括如下步骤：f1)ADCUNet网络模型的编码器由第一双卷积。

7、激活模块、第一最大池化层、第二双卷权利要求书1/5 页2CN 116612131 A2积激活模块、第二最大池化层、第三双卷积激活模块、第三最大池化层、第四双卷积激活模块、第四最大池化层、第五双卷积激活模块构成；f2)编码器的第一双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将第i个切片图像Fi输入到第一双卷积激活模块中，输出得到特征图A1i，将特征图A1i输入到编码器的第一最大池化层中，输出得到特征图A1i；f3)编码器的第二双卷积激活模块依次由第一卷积。

8、层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A1i输入到第二双卷积激活模块中，输出得到特征图A2i，将特征图A2i输入到编码器的第二最大池化层中，输出得到特征图A2i；f4)编码器的第三双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A2i输入到第三双卷积激活模块中，输出得到特征图A3i，将特征图A3i输入到编码器的第三最大池。

9、化层中，输出得到特征图A3i；f5)编码器的第四双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A3i输入到第四双卷积激活模块中，输出得到特征图A4i，将特征图A4i输入到编码器的第四最大池化层中，输出得到特征图A4i；f6)编码器的第五双卷积激活模块依次由第一卷积层、第一Batch Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A4i输入到第五双。

10、卷积激活模块中，输出得到特征图A5i。6.根据权利要求5所述的基于ADCUNet模型的心脏MRI结构分割方法，其特征在于：步骤f2)中第一双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33，编码器的第一最大池化层的步幅为2，池化核大小为22；步骤f3)中第二双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33，编码器的第二最大池化层的步幅为2，池化核大小为22；步骤f4)中第三双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33，编码器的第三最大池化层的步幅为2，池化核大小为22；步骤f5)中第四双卷积激活模块的第一卷积层的卷。

11、积核大小为33，第二卷积层的卷积核大小为33，编码器的第四最大池化层的步幅为2，池化核大小为22；步骤f6)中第五双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33。7.根据权利要求1所述的基于ADCUNet模型的心脏MRI结构分割方法，其特征在于，步骤g)包括如下步骤：g1)ADCUNet网络模型的解码器由第一上采样层、第一 模块、第一可变形融合模块、第二上采样层、第二 模块、第二可变形融合模块、第三上采样层、第三 模块、第三可变形融合模块、第四上采样层、第四 模块、第四可变形融合模块构成；g2)将特征图A5i输入到解码器的第一上采样层中，输出得到特征图B4i，解码的。

12、第一 模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A4i输入到第一 模块的第一卷积层中，输出得到特征图权利要求书2/5 页3CN 116612131 A3WaA4i，将特征图B4i输入到第一 模块的第二卷积层中，输出得到特征图WbB4i，将特征图WaA4i与特征图与特征图WbB4i逐元素相加后依次输入到第一 模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数 4i，将注意力系数 4i输入到第一 模块的双三次插值层中进行双三次插值，得到插值后的注。

13、意力系数 4i，使用插值后的注意力系数 4i对特征图B4i加权得到特征图将特征图A4i与特征图沿Z轴进行拼接操作，得到特征图g3)解码器的第一可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图输入到第二卷积层中，输出得到带有学习偏移的特征图4i，将特征图B4i与带有学习偏移的特征图4i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D4i，将特征图D4i输入到膨胀卷积层中，输出得到特征图D4i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D4i与特征图D4i进行残差连接，得到特征图D4i，将特征图D4i输。

14、入到第四卷积层中，输出得到融合特征图C4i；g4)将融合特征图C4i输入到解码器的第二上采样层中，输出得到特征图B3i，解码的第二 模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A3i输入到第二 模块的第一卷积层中，输出得到特征图WaA3i，将特征图B3i输入到第二 模块的第二卷积层中，输出得到特征图WbB3i，将特征图WaA3i与特征图与特征图WbB3i逐元素相加后依次输入到第二 模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数 3i，将注意。

15、力系数 3i输入到第二 模块的双三次插值层中进行双三次插值，得到插值后的注意力系数 3i，使用插值后的注意力系数 3i对特征图B3i加权得到特征图将特征图A3i与特征图沿Z轴进行拼接操作，得到特征图g5)解码器的第二可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图输入到第二卷积层中，输出得到带有学习偏移的特征图3i，将特征图B3i与带有学习偏移的特征图3i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D3i，将特征图D3i输入到膨胀卷积层中，输出得到特征图D3i，膨胀卷积层的三个膨胀率分别为1、2、4，将。

16、特征图D3i与特征图D3i进行残差连接，得到特征图D3i，将特征图D3i输入到第四卷积层中，输出得到融合特征图C3i；g6)将融合特征图C3i输入到解码器的第三上采样层中，输出得到特征图B2i解码的第三 模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A2i输入到第三 模块的第一卷积层中，输出得到特征图WaA2i，将特征图B2i输入到第三 模块的第二卷积层中，输出得到特征图WbB2i，将特征图权利要求书3/5 页4CN 116612131 A4WaA2i与特征图与特征图WbB2i逐元素相加后依次输入到第三。

17、 模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数 2i，将注意力系数 2i输入到第三 模块的双三次插值层中进行双三次插值，得到插值后的注意力系数 2i，使用插值后的注意力系数 2i对特征图B2i加权得到特征图将特征图A2i与特征图沿Z轴进行拼接操作，得到特征图g7)解码器的第三可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图输入到第二卷积层中，输出得到带有学习偏移的特征图2i，将特征图B2i与带有学习偏移的特征图2i沿Z轴进行拼接操作后输入到第三卷积层。

18、中，输出得到特征图D2i，将特征图D2i输入到膨胀卷积层中，输出得到特征图D2i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D2i与特征图D2i进行残差连接，得到特征图D2i，将特征图D2i输入到第四卷积层中，输出得到融合特征图C2i；g8)将融合特征图C2i输入到解码器的第四上采样层中，输出得到特征图B1i，解码的第四 模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A1i输入到第四 模块的第一卷积层中，输出得到特征图WaA1i，将特征图B1i输入到第四 模块的第二卷积层中，输出得到特征图WbB1。

19、i，将特征图WaA1i与特征图与特征图WbB1i逐元素相加后依次输入到第四 模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数 1i，将注意力系数 1i输入到第四 模块的双三次插值层中进行双三次插值，得到插值后的注意力系数 1i，使用插值后的注意力系数 1i对特征图B1i加权得到特征图将特征图A1i与特征图沿Z轴进行拼接操作，得到特征图g9)解码器的第四可变形融合模块由第一卷积层、第一双线性插值层、第二卷积层、可变形卷积层、第二双线性插值层、全局平均池化层、第三卷积层、第四卷积层、Sigmoid层、膨胀卷积层、第五卷积层构成，将特征图输。

20、入到第一卷积层中，输出得到特征图将带有学习偏移的特征图2i输入到第一双线性插值层中进行双线性插值，得到特征图2i，将特征图与特征图2i沿Z轴进行拼接操作后输入到第二卷积层中，输出得到带有学习偏移的特征图1i，将特征图B1i与带有学习偏移的特征图1i沿Z轴进行拼接操作后输入到可变形卷积层中，输出得到特征图D1i，将融合特征C2i输入到第二双线性插值层中进行双线性插值，得到特征图C2i，将特征图C2i依次输入到全局平均池化层、第三卷积层、第四卷积层、Sigmoid层中，输出得到特征图C2i，将特征图C2i与特征图D1i逐元素相乘，得到特征图C2iD1i，将特征图C2iD1i输入到膨胀卷积层中，输出。

21、得到特征图D1i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D1i与特征图D1i进行残差连接，得到特征图D1i，将特征图D1i输入到第五卷积层中，输出得到融合特征图C1i。权利要求书4/5 页5CN 116612131 A58.根据权利要求7所述的基于ADCUNet模型的心脏MRI结构分割方法，其特征在于：步骤g2)中第一 模块的第一卷积层与第二卷积层的卷积核大小均为11、步长均为1、填充均为0；步骤g3)中第一可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为33、步长均为1、填充均为0，第一可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为33；步骤。

22、g4)中第二 模块的第一卷积层与第二卷积层的卷积核大小均为11、步长均为1、填充均为0；步骤g5)中第二可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为33、步长均为1、填充均为0，第二可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为33；步骤g6)中第三 模块的第一卷积层与第二卷积层的卷积核大小均为11、步长均为1、填充均为0；步骤g7)中第三可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为33、步长均为1、填充均为0，第三可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为33；步骤g8)中第四 模块的第一卷积层与第二。

23、卷积层的卷积核大小均为11、步长均为1、填充均为0；步骤g9)中第四可变形融合模块的第一卷积层、第二卷积层、第五卷积层的卷积核大小均为33、步长均为1、填充均为0，第四可变形融合模块的第三卷积层和第四卷积层的卷积核大小均为11、步长均为1，第四可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为33。9.根据权利要求1所述的基于ADCUNet模型的心脏MRI结构分割方法，其特征在于，步骤i)包括如下步骤：i1)通过公式计算得到总损失式中为交叉熵损失函数，为正则化损失函数，为超参数；i2)使用Adam优化器，采用总损失训练ADCUNet网络模型，得到优化后的ADCUNet网络模型。10.根据。

24、权利要求9所述的基于ADCUNet模型的心脏MRI结构分割方法，其特征在于：训练ADCUNet网络模型时初始学习率为2104，batch size设置为32，最大epoch设置为200，学习率lr为0.001，超参数设置为0.05。权利要求书5/5 页6CN 116612131 A6一种基于ADCUNet模型的心脏MRI结构分割方法技术领域0001本发明涉及图像分割技术领域，具体涉及一种基于ADCUNet模型的心脏MRI结构分割方法。背景技术0002许多的研究人员在过去的几十年里一直致力于研究人类心脏结构的分割算法，特别是针对心肌、左心房和左心室的部分。随着技术的发展，MRI、CT、US等现代。

25、医学成像技术被广泛的应用，在这些技术的帮助下，可以更方便地评估心脏的结构和功能。其中MRI的高测量精度使其成为评估心脏结构和功能的理想技术，通过利用不同的成像序列，心脏结构和功能能够被心脏MRI精确地量化。因此，心脏MRI是目前最准确的测量心脏结构和功能的方法。0003虽然现在国内外已经有了许多关于心脏半自动、自动分割算法的研究发表，但是仍然还存在很多需要被改进的地方，例如不能很好地捕获不同尺度特征之间的相关性、背景信息对前景分割的干扰等。除此之外，由于边界模糊、成像的强度不均匀以及心脏结构之间的形状变化较大，使得3D心脏MRI分割比较困难，需要算法具备更高的要求。因此，心脏MRI分割算法仍存。

26、在很大的发展空间，需要更高的技术和创新来实现精确的分割。发明内容0004本发明为了克服以上技术的不足，提供了一种可以获得精确分割结果的心脏MRI结构分割方法。0005本发明克服其技术问题所采用的技术方案是：0006一种基于ADCUNet模型的心脏MRI结构分割方法，包括如下步骤：0007a)获取由N组心脏MRI图像数据的数据集X，XX1,X2,.,Xi,.,XN，Xi为第i张心脏MRI图像数据，i1,.,N；0008b)将数据集X进行预处理，得到预处理后的数据集X；0009c)将预处理后的数据集X 划分为训练集、验证集、测试集；0010d)将训练集中各个预处理后的心脏MRI图像数据沿Z轴进行切。

27、片，得到M个切片图像，第i个切片图像为Fi，i1,.,M；0011e)建立ADCUNet网络模型，ADCUNet网络模型由编码器和解码器构成；0012f)将第i个切片图像Fi输入到ADCUNet网络模型的编码器中，输出得到特征图A5i；0013g)将特征图A5i输入到ADCUNet网络模型的解码器中，输出得到融合特征图C1i；0014h)将融合特征图C1i输入到Softmax函数中，输出得到分割结果图像P1i；0015i)训练ADCUNet网络模型，得到优化后的ADCUNet网络模型；0016j)将测试集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到Q个切片图像，第i个切片图像为Fi，。

28、i1,.,Q；说明书1/11 页7CN 116612131 A70017k)将第i个切片图像Fi 输入到优化后的ADCUNet网络模型中，输出得到分割结果图像P1i。0018优选的，步骤a)中从2017ACDC数据集中获取100组来自8个不同数据集的病人的心脏MRI图像数据，步骤d)中M取值为1312；步骤j)中Q取值为380。0019进一步的，步骤b)包括如下步骤：0020b1)利用numpy库中的GetArrayFromImage()函数将第i张心脏MRI图像数据Xi转化为Numpy数组，将转换为Numpy数组的第i张心脏MRI图像数据沿Z轴方向切为若干2D切片；0021b2)将每个2D切。

29、片进行重采样，得到像素间距为(1.5,1.5)的新2D图像，将每个新2D图像进行进行中心剪裁，得到大小为256256的剪裁后的2D图像，将各个剪裁后的2D图像堆叠起来，恢复成为3D图像Numpy数组，将3D图像Numpy数组利用numpy库中的GetArrayFromArray()函数转化回心脏MRI图像数据0022b3)将心脏MRI图像数据以0.5的概率沿水平轴或垂直轴进行翻转，随机旋转90度，得到旋转后的图像；0023b4)将旋转后的图像进行zscore标准化，得到预处理后的第i张心脏MRI图像数据Xi，各个预处理后的心脏MRI图像数据构成预处理后的数据集X，X X1,X2,.,Xi,.,。

30、XN。0024优选的，步骤c)中将预处理后的数据集X 按7:1:2的比例划分为训练集、验证集、测试集。0025进一步的，步骤f)包括如下步骤：0026f1)ADCUNet网络模型的编码器由第一双卷积激活模块、第一最大池化层、第二双卷积激活模块、第二最大池化层、第三双卷积激活模块、第三最大池化层、第四双卷积激活模块、第四最大池化层、第五双卷积激活模块构成；0027f 2)编 码 器的 第一 双 卷 积 激 活 模 块 依次 由 第一 卷 积 层、第一 Ba t c h Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活。

31、函数层构成，将第i个切片图像Fi输入到第一双卷积激活模块中，输出得到特征图A1i，将特征图A1i输入到编码器的第一最大池化层中，输出得到特征图A1i；0028f 3)编 码 器的 第二 双 卷 积 激 活 模 块 依次 由 第一 卷 积 层、第一 Ba t c h Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A1i输入到第二双卷积激活模块中，输出得到特征图A2i，将特征图A2i输入到编码器的第二最大池化层中，输出得到特征图A2i；0029f 4)编 码 器的 第三 双 卷 积 激 活 模 块。

32、 依次 由 第一 卷 积 层、第一 Ba t c h Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A2i输入到第三双卷积激活模块中，输出得到特征图A3i，将特征图A3i输入到编码器的第三最大池化层中，输出得到特征图A3i；0030f 5)编 码 器的 第四 双 卷 积 激 活 模 块 依次 由 第一 卷 积 层、第一 Ba t c h Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A3i输入。

33、到第四双卷积激活模块中，输出得到特征图A4i，将特征图A4i输入到编码器的第四最大池化层中，输出得到特征图A4i；说明书2/11 页8CN 116612131 A80031f 6)编 码 器的 第五 双 卷 积 激 活 模 块 依次 由 第一 卷 积 层、第一 Ba t c h Normalization层、第一ReLU激活函数层、第二卷积层、第二Batch Normalization层、第二ReLU激活函数层构成，将特征图A4i输入到第五双卷积激活模块中，输出得到特征图A5i。0032优选的，步骤f2)中第一双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33，编码器的。

34、第一最大池化层的步幅为2，池化核大小为22；步骤f3)中第二双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33，编码器的第二最大池化层的步幅为2，池化核大小为22；步骤f4)中第三双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33，编码器的第三最大池化层的步幅为2，池化核大小为22；步骤f5)中第四双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33，编码器的第四最大池化层的步幅为2，池化核大小为22；步骤f6)中第五双卷积激活模块的第一卷积层的卷积核大小为33，第二卷积层的卷积核大小为33。0033进一步的，步骤g)包括如。

35、下步骤：0034g1)ADCUNet网络模型的解码器由第一上采样层、第一 模块、第一可变形融合模块、第二上采样层、第二 模块、第二可变形融合模块、第三上采样层、第三 模块、第三可变形融合模块、第四上采样层、第四 模块、第四可变形融合模块构成；0035g2)将特征图A5i输入到解码器的第一上采样层中，输出得到特征图B4i，解码的第一 模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A4i输入到第一 模块的第一卷积层中，输出得到特征图WaA4i，将特征图B4i输入到第一 模块的第二卷积层中，输出得到特征图Wb。

36、B4i，将特征图WaA4i与特征图与特征图WbB4i逐元素相加后依次输入到第一 模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数 4i，将注意力系数 4i输入到第一 模块的双三次插值层中进行双三次插值，得到插值后的注意力系数 4i，使用插值后的注意力系数 4i对特征图B4i加权得到特征图将特征图A4i与特征图沿Z轴进行拼接操作，得到特征图g3)解码器的第一可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图输入到第二卷积层中，输出得到带有学习偏移的特征图4i。

37、，将特征图B4i与带有学习偏移的特征图4i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D4i，将特征图D4i输入到膨胀卷积层中，输出得到特征图D4i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D4i与特征图D4i进行残差连接，得到特征图D4i，将特征图D4i输入到第四卷积层中，输出得到融合特征图C4i；0036g4)将融合特征图C4i输入到解码器的第二上采样层中，输出得到特征图B3i，解码的第二 模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A3i输入到第二 模块的第一卷积层中，输出得到。

38、特征图WaA3i，将特征图B3i输入到第二 模块的第二卷积层中，输出得到特征图WbB3i，说明书3/11 页9CN 116612131 A9将特征图WaA3i与特征图与特征图WbB3i逐元素相加后依次输入到第二 模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数 3i，将注意力系数 3i输入到第二 模块的双三次插值层中进行双三次插值，得到插值后的注意力系数 3i，使用插值后的注意力系数3i对特征图B3i加权得到特征图将特征图A3i与特征图沿Z轴进行拼接操作，得到特征图0037g5)解码器的第二可变形融合模块由第一卷积层、第二卷积层、第三。

39、卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图输入到第二卷积层中，输出得到带有学习偏移的特征图3i，将特征图B3i与带有学习偏移的特征图3i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D3i，将特征图D3i输入到膨胀卷积层中，输出得到特征图D3i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D3i与特征图D3i进行残差连接，得到特征图D3i，将特征图D3i输入到第四卷积层中，输出得到融合特征图C3i；0038g6)将融合特征图C3i输入到解码器的第三上采样层中，输出得到特征图B2i，解码的第三 模块由第一卷积层、第二卷积层、Leaky Re。

40、LU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A2i输入到第三 模块的第一卷积层中，输出得到特征图WaA2i，将特征图B2i输入到第三 模块的第二卷积层中，输出得到特征图WbB2i，将特征图WaA2i与特征图与特征图WbB2i逐元素相加后依次输入到第三 模块的Leaky ReLU激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数 2i，将注意力系数 2i输入到第三 模块的双三次插值层中进行双三次插值，得到插值后的注意力系数 2i，使用插值后的注意力系数2i对特征图B2i加权得到特征图将特征图A2i与特征图沿Z轴进行拼。

41、接操作，得到特征图0039g7)解码器的第三可变形融合模块由第一卷积层、第二卷积层、第三卷积层、膨胀卷积层、第四卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将特征图输入到第二卷积层中，输出得到带有学习偏移的特征图2i，将特征图B2i与带有学习偏移的特征图2i沿Z轴进行拼接操作后输入到第三卷积层中，输出得到特征图D2i，将特征图D2i输入到膨胀卷积层中，输出得到特征图D2i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D2i与特征图D2i进行残差连接，得到特征图D2i，将特征图D2i输入到第四卷积层中，输出得到融合特征图C2i；0040g8)将融合特征图C2i输入到解码器的第四上采。

42、样层中，输出得到特征图B1i，解码的第四 模块由第一卷积层、第二卷积层、Leaky ReLU激活层、Global Pooling层、Sigmoid函数层、双三次插值层构成，将特征图A1i输入到第四 模块的第一卷积层中，输出得到特征图WaA1i，将特征图B1i输入到第四 模块的第二卷积层中，输出得到特征图WbB1i，将特征图WaA1i与特征图与特征图WbB1i逐元素相加后依次输入到第四 模块的Leaky ReLU说明书4/11 页10CN 116612131 A10激活层、Global Pooling层、Sigmoid函数层中，输出得到注意力系数 1i，将注意力系数 1i输入到第四 模块的双三次。

43、插值层中进行双三次插值，得到插值后的注意力系数 1i，使用插值后的注意力系数1i对特征图B1i加权得到特征图将特征图A1i与特征图沿Z轴进行拼接操作，得到特征图0041g9)解码器的第四可变形融合模块由第一卷积层、第一双线性插值层、第二卷积层、可变形卷积层、第二双线性插值层、全局平均池化层、第三卷积层、第四卷积层、Sigmoid层、膨胀卷积层、第五卷积层构成，将特征图输入到第一卷积层中，输出得到特征图将带有学习偏移的特征图2i输入到第一双线性插值层中进行双线性插值，得到特征图2i，将特征图与特征图2i沿Z轴进行拼接操作后输入到第二卷积层中，输出得到带有学习偏移的特征图1i，将特征图B1i与带有。

44、学习偏移的特征图1i沿Z轴进行拼接操作后输入到可变形卷积层中，输出得到特征图D1i，将融合特征C2i输入到第二双线性插值层中进行双线性插值，得到特征图C2i，将特征图C2i依次输入到全局平均池化层、第三卷积层、第四卷积层、Sigmoid层中，输出得到特征图C2i，将特征图C2i与特征图D1i逐元素相乘，得到特征图C2iD1i，将特征图C2iD1i输入到膨胀卷积层中，输出得到特征图D1i，膨胀卷积层的三个膨胀率分别为1、2、4，将特征图D1i与特征图D1i进行残差连接，得到特征图D1i，将特征图D1i输入到第五卷积层中，输出得到融合特征图C1i。优选的，步骤g2)中第一 模块的第一卷积层与第二卷。

45、积层的卷积核大小均为11、步长均为1、填充均为0；步骤g3)中第一可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为33、步长均为1、填充均为0，第一可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为33；步骤g4)中第二 模块的第一卷积层与第二卷积层的卷积核大小均为11、步长均为1、填充均为0；步骤g5)中第二可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为33、步长均为1、填充均为0，第二可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为33；步骤g6)中第三 模块的第一卷积层与第二卷积层的卷积核大小均为11、步长均为1。

46、、填充均为0；步骤g7)中第三可变形融合模块的第一卷积层、第二卷积层、第三卷积层、第四卷积层的卷积核大小均为33、步长均为1、填充均为0，第三可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为33；步骤g8)中第四 模块的第一卷积层与第二卷积层的卷积核大小均为11、步长均为1、填充均为0；步骤g9)中第四可变形融合模块的第一卷积层、第二卷积层、第五卷积层的卷积核大小均为33、步长均为1、填充均为0，第四可变形融合模块的第三卷积层和第四卷积层的卷积核大小均为11、步长均为1，第四可变形融合模块的膨胀卷积层中的三个卷积层的卷积核大小均为33。进一步的，步骤i)包括如下步骤：0042i1)通过。

47、公式计算得到总损失式中为交叉熵损失函数，为正则化损失函数，为超参数；说明书5/11 页11CN 116612131 A110043i2)使用Adam优化器，采用总损失训练ADCUNet网络模型，得到优化后的ADCUNet网络模型。0044优选的，训练ADCUNet网络模型时初始学习率为2104，batch size设置为32，最大epoch设置为200，学习率lr为0.001，超参数设置为0.05。0045本发明的有益效果是：克服由于边界模糊、成像强度不均匀以及心脏结构的形状变化较大从而导致很难实现精确的心脏MRI分割的问题。通过将注意力模块和跳跃连接相结合，在处理输入特征时抑制不相关的区域，。

48、同时突出显著特征。可变形卷积融合模块添加到解码器部分，充分利用目标切片融合特征中的有用信息，确保每个分割图的精确连续边界，可以更好地处理图像中不同尺度的特征，从而获得更精确的分割结果。附图说明0046图1为本发明的ADCUNet模型结构图；0047图2为本发明的双卷积激活模块结构图；0048图3为本发明的 模块的结构图；0049图4为本发明的可变形卷积融合模块的结构图。具体实施方式0050下面结合附图1至附图4对本发明做进一步说明。0051一种基于ADCUNet模型的心脏MRI结构分割方法，包括如下步骤：0052a)获取由N组心脏MRI图像数据的数据集X，XX1,X2,.,Xi,.,XN，Xi。

49、为第i张心脏MRI图像数据，i1,.,N。0053b)将数据集X进行预处理，得到预处理后的数据集X。0054c)将预处理后的数据集X 划分为训练集、验证集、测试集。0055d)将训练集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到M个切片图像，第i个切片图像为Fi，i1,.,M。0056e)建立ADCUNet网络模型，ADCUNet网络模型由编码器和解码器构成。0057f)将第i个切片图像Fi输入到ADCUNet网络模型的编码器中，输出得到特征图A5i。0058g)将特征图A5i输入到ADCUNet网络模型的解码器中，输出得到融合特征图C1i。0059h)将融合特征图C1i输入到Sof。

50、tmax函数中，输出得到分割结果图像P1i。0060i)训练ADCUNet网络模型，得到优化后的ADCUNet网络模型。0061j)将测试集中各个预处理后的心脏MRI图像数据沿Z轴进行切片，得到Q个切片图像，第i个切片图像为Fi，i1,.,Q。0062k)将第i个切片图像Fi 输入到优化后的ADCUNet网络模型中，输出得到分割结果图像P1i。0063克服由于边界模糊、成像强度不均匀以及心脏结构的形状变化较大从而导致很难实现精确的心脏MRI分割的问题。0064实施例1：0065步骤a)中从2017ACDC数据集中获取100组来自8个不同数据集的病人的心脏MRI图说明书6/11 页12CN 11。