本发明涉及图像处理，具体涉及一种基于深度学习的心脏磁共振图像分割方法。
背景技术：
1、心脏病症作为世界范围内最为普遍的致命疾病，据《中国心血管健康与疾病报告2022概要》的数据表明，因不良生活习惯在中国人群中的广泛存在和随着我国老年化进程加快这两个重要因素，使得我国不但有数量巨大的心脏病的潜在患者，而且这也是我国心脑血管疾病发病率及死亡率不断攀升的关键所在。由于人体中心脏区域结构精密复杂，为了更好地为心血管疾病的患者进行诊断，一般通过先进的医疗技术和设备，如心脏病影像学、心电图和血液检测等，以获取更准确的心脏功能信息。其中，磁共振成像因其对人体伤害小且成像清晰等优点，成为评估心脏功能的金标准。医生通过分析患者的心脏磁共振图像，可以做出诊断并观察患者的心脏状态以制定手术计划。在现实中，专业的影像科医生需要花费约20分钟运用工具对一个病患的心脏影像进行病症推断分析。而如果要对心脏数据进行像素级分割标注并计算具体的体积参数，则需要花费数小时的时间来完成。
2、自从ronneberger等人提出了u-net模型以来，就在医学图像分割领域成为重要的研究方向，并衍生出许多相关的网络模型，在心脏图像的分割任务中，u-net的表现更加出色。u-net是一种基于全卷积网络的医学图像分割方法，与传统的fcn(全卷积网络)相比，具有对称的网络结构和跳跃连接。同时，传统的2d u-net网络分割方法虽然计算和存储需求较小，但往往会丢失切片之间的空间信息。此外，由于心脏图像受到采样条件和环境等因素的影响，使得心脏图像有很多冗余信息。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的心脏磁共振图像分割方法，旨在实现三维心脏mri图像的精确分割，协助医生观察患者的心脏状态。
2、为实现上述目的，本发明提供了一种基于深度学习的心脏磁共振图像分割方法，包括下列步骤：
3、步骤1：获取人体心脏磁共振图像数据集并进行预处理；
4、步骤2：将预处理完成的数据集按比例划分为训练集和测试集；
5、步骤3：建立基于深度学习的心脏磁共振图像分割模型，所述心脏磁共振图像分割模型包含残差模块、注意力机制和三维卷积级联；
6、步骤4：将所述训练集输入所述心脏磁共振图像分割模型训练，分割损失函数为dice损失函数；
7、步骤5：将所述训练集输入训练后的心脏磁共振图像分割模型，获取图像分割结果。
8、可选的，步骤1进行预处理的过程，具体为对心脏磁共振图像的背景进行裁剪，去除灰度值为0的全黑部分，并对数据进行标准化处理，将图像灰度值转换为具有相同均值和方差的分布。
9、可选的，在步骤2中，结合留出法将数据集中的心脏磁共振图像按照8:2的比例随机分成两个互斥的集合，其中占比80％图像的集合为训练集，另一个占比20％图像的集合为测试集。
10、可选的，在步骤3的执行过程中，以3d u-net为基础设计心脏磁共振图像分割模型，将加入了残差模块的两个3d u-net网络分别作为粗分割网络和精分割网络组成级联网络，并在精分割网络中引入注意力机制增强网络性能，每个阶段在不同的分辨率下操作，使用大小为5*5*5的卷积核进行卷积，池化操作则采用大小为2*2*2的卷积核和步长为2。
11、可选的，步骤3中在精分割网络中引入注意力机制为期望最大化注意力机制，对给定输入特征图x∈rc×d×h×w和初始基μ∈rc×k，其中c是通道数，d×h×w是输入特征图的大小，k是基的个数，基μ和非局部自注意力z∈rd×h×w×k分别学习参数和潜在变量。
12、可选的，所述期望最大化注意力机制的目标是寻找最优的可学习参数使数据似然最大化，分为期望步和最大化步，其中期望步估计z的期望，最大化步通过最大化似然更新，具体过程为：
13、z(t)＝softmax(λx(μ(t-1))t
14、
15、其中v＝d×w×h,znk为位置n处第k个通道的注意力向量，t为迭代次数，t设置为3，期望步和最大化步将交替执行3次，收敛之后用来重建特征图表示如下：
16、
17、可选的，步骤4的执行过程，具体为设置初始的学习率lr，总训练轮次t，批量大小b；在训练集上所述心脏磁共振图像分割模型将对神经网络的权重进行迭代优化，直到损失函数收敛，完成训练过程。
18、本发明提供了一种基于深度学习的心脏磁共振图像分割方法，首先对人体心脏磁共振三维图像数据集进行了预处理，随后建立了一个包含注意力机制和残差模块的三维卷积级联的心脏磁共振图像分割模型；预处理后的数据被送入该模型进行迭代训练，以获取训练完备的心脏磁共振图像分割模型。最终，将待分割的人体心脏磁共振三维图像被输入训练好的模型中，完成心脏图像的结构分割任务。本发明在三维卷积编解码阶段引入了残差模块，以抑制网络深度增加出现的梯度消失现象，从而提高网络的深度，并进一步提高分割效果。另外，在精准分割网络部分，引入了期望最大化注意力机制，以提供更精确和可调节的关注和权重分配。通过本发明可以精准高效的分割出心脏磁共振图像中的目标区域。
1.一种基于深度学习的心脏磁共振图像分割方法，其特征在于，包括下列步骤：
2.如权利要求1所述的基于深度学习的心脏磁共振图像分割方法，其特征在于，
3.如权利要求2所述的基于深度学习的心脏磁共振图像分割方法，其特征在于，
4.如权利要求3所述的基于深度学习的心脏磁共振图像分割方法，其特征在于，
5.如权利要求4所述的基于深度学习的心脏磁共振图像分割方法，其特征在于，
6.如权利要求5所述的基于深度学习的心脏磁共振图像分割方法，其特征在于，
7.如权利要求5所述的基于深度学习的心脏磁共振图像分割方法，其特征在于，
