一种基于上下文级联注意力的心脏MRI分割方法

摘要

一种基于上下文级联注意力的心脏MRI分割方法，涉及医学图像分割技术领域，在编码器中引入残差初始模块来更好的学习有效的特征表示，提高模型的性能和泛化能力。在解码器中通过级联操作利用不同层的互补信息来细化每一层的特征，同时使用上下文注意力模块通过保留局部信息和压缩全局信息来探索每一层的上下文信息，并抑制不重要的信息区域来突出显著的特征，从而提高分割的精确度。

权利要求

1.一种基于上下文级联注意力的心脏MRI分割方法，其特征在于，包括如下步骤：

a)收集n个受试者的心脏MRI数据，得到MRI数据集s，s＝{s1,s2,...,si,...,sn}，si为第i名受试者的心脏MRI数据，i∈{1,2,...,n}；

b)对MRI数据集s进行预处理操作，得到预处理后的数据集F，F＝{F1,F2,...,Fi,...,Fn}，Fi为第i个预处理后的二维图像数据；

c)将预处理后的数据集F划分为训练集、测试集、验证集；

d)建立由编码器和解码器构成的分割网络模型；

e)将预处理后的二维图像数据Fi输入到分割网络模型的编码器中，输出得到特征图特征图 特征图 特征图

f)将特征图 特征图 特征图 特征图 输入到分割网络模型的解码器中，

输出得到预测分割图像

g)训练分割网络模型，得到优化后的分割网络模型；

步骤e)包括如下步骤：

e‑1)分割网络模型的编码器由第一残差初始模块、第一最大池化层、第二残差初始模块、第二最大池化层、第三残差初始模块、第三最大池化层、第四残差初始模块构成；

e‑2)第一残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将预处理后的二维图像数据Fi输入到第一分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第二分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第三分支中，输出得到特征图将预处理后的二维图像数据Fi输入到第四分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第五分支中，输出得到特征图 将特征图 特征图特征图 特征图 进行拼接操作得到特征图 将特征图 与特征图 相加

操作得到特征图

e‑3)将特征图 输入到第一最大池化层中，输出得到特征图

e‑4)第二残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图 特征图特征图 特征图 进行拼接操作得到特征图 将特征图 与特征图

相加操作得到特征图

e‑5)将特征图 输入到第二最大池化层中，输出得到特征图

e‑6)第三残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图 特征图特征图 特征图 进行拼接操作得到特征图 将特征图 与特征图

相加操作得到特征图

e‑7)将特征图 输入到第三最大池化层中，输出得到特征图

e‑8)第四残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图 特征图特征图 特征图 进行拼接操作得到特征图 将特征图 与特征图

相加操作得到特征图

2.根据权利要求1所述的基于上下文级联注意力的心脏MRI分割方法，其特征在于：步骤a)中从ACDC2017公共数据中，收集包含LV、RV、MYO三种结构的n个受试者的心脏MRI数据，得到MRI数据集s。

3.根据权利要求1所述的基于上下文级联注意力的心脏MRI分割方法，其特征在于：步骤a)中n＝100。

4.根据权利要求1所述的基于上下文级联注意力的心脏MRI分割方法，其特征在于，步骤b)包括如下步骤：

b‑1)对第i名受试者的心脏MRI数据si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si执行裁剪大小为224×224的2D中心剪裁操作，得到剪裁后的数据Fi′，将剪裁后的数据Fi′进行归一化处理，得到预处理后的二维图像数据Fi。

5.根据权利要求1所述的基于上下文级联注意力的心脏MRI分割方法，其特征在于：步骤c)中将预处理后的数据集F按7:2:1的比例划分为训练集、测试集、验证集。

6.根据权利要求1所述的基于上下文级联注意力的心脏MRI分割方法，其特征在于：步骤e‑2)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×

1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×

1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑4)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑6)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×

3、第三卷积层的卷积核大小为3×3；步骤e‑8)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑3)中第一最大池化层的卷积核大小为2×2；步骤e‑5)中第二最大池化层的卷积核大小为2×2；步骤e‑7)中第三最大池化层的卷积核大小为2×2。

7.根据权利要求1所述的基于上下文级联注意力的心脏MRI分割方法，其特征在于，步骤f)包括如下步骤：

f‑1)分割网络模型的解码器由Conv‑block1、第一注意力门控模块、第一上采样层、第一上下文注意力模块、第一卷积层、Conv‑block2、第二注意力门控模块、第二上采样层、第二上下文注意力模块、第二卷积层、Conv‑block3、第三注意力门控模块、第三上采样层、第三上下文注意力模块、第三卷积层、Conv‑block4、第四注意力门控模块、第四上下文注意力模块、第四卷积层构成；

f‑2)Conv‑block4依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block4中，输出得到特征图 第四注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图依次输入到第四注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第四注意力门控模块的第二卷积层、第二BN层中，输出得到特征图将特征图 与特征图 相加得到特征图 将特征图 依次输入到第四注意力门控模块的ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 第四上下文注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第四上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图将特征图 输入到第四上下文注意力模块的全局最大池化层中，输出得到特征图将特征图 依次输入到第四上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 相加得到特征图 将特征图 输入到第四上下文注意力模块的

sigmoid函数中，输出得到特征图 将特征图 输入到第四卷积层中得到特征图f‑3)Conv‑block3依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block3中，输出得到特征图 将特征图 输入到第三上采样层中，输出得到特征图 第三注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第三注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第三注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图 与特征图相加得到特征图 将特征图 依次输入到第三注意力门控模块的ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 级联得到特征图 第三上下文注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第三上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第三上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第三上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 相加得到特征图 将特征图 输入到第三上下文注意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第三卷积层中得到特征图

f‑4)Conv‑block2依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block2中，输出得到特征图 将特征图 输入到第二上采样层中，输出得到特征图 第二注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第二注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第二注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图 与特征图相加得到特征图 将特征图 依次输入到第二注意力门控模块的ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图相乘得到特征图 将特征图 与特征图 级联得到特征图 第二上下文注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第二上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第二上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第二上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图将特征图 与特征图 相加得到特征图 将特征图 输入到第二上下文注

意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第二卷积层中得到特征图

f‑5)Conv‑block1依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block1中，输出得到特征图 将特征图 输入到第一上采样层中，输出得到特征图 第一注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第一注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第一注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图 与特征图相加得到特征图 将特征图 依次输入到第一注意力门控模块的ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 级联得到特征图 第一上下文注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第一上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第一上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第一上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图将特征图 与特征图 相加得到特征图 将特征图 输入到第一上下文注意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第一卷积层中得到特征图

f‑6)将特征图 特征图 特征图 特征图 进行残差相加得到特征图

8.根据权利要求7所述的基于上下文级联注意力的心脏MRI分割方法，其特征在于：步骤f‑2)中Conv‑block4的卷积层的卷积核大小为3×3，padding为1；第四注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第四上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第四上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第四卷积层的卷积核大小为1×1；步骤f‑3)中Conv‑block3的卷积层的卷积核大小为3×3，padding为1；第三注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第三上采样层的卷积核大小为2×2；第三上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为

3×3，padding为1，第三上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第三卷积层的卷积核大小为1×1；f‑4)中Conv‑block2的卷积层的卷积核大小为3×3，padding为1；第二注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第二上采样层的卷积核大小为2×2；第二上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第二上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第二卷积层的卷积核大小为1×1；f‑5)中Conv‑block1的卷积层的卷积核大小为3×3，padding为1；第一注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第一上采样层的卷积核大小为2×2；第一上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第一上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第一卷积层的卷积核大小为1×1。

9.根据权利要求1所述的基于上下文级联注意力的心脏MRI分割方法，其特征在于：步骤g)中将Dice损失及交叉熵损失求和得到总损失，使用Adam优化器利用总损失训练分割网络模型，得到优化后的分割网络模型，训练时批次大小设为32，迭代周期设为200，学习率设为0.001。

说明书

一种基于上下文级联注意力的心脏MRI分割方法

技术领域

[0001] 本发明涉及医学图像分割技术领域，具体涉及一种基于上下文级联注意力的心脏MRI分割方法。

背景技术

[0002] 心脏MRI的精确分割在医学图像处理领域具有重要意义，旨在从心脏MR图像中准确的提取出心脏结构，如心室、心房、心肌等，以辅助医生准确诊断和治疗心脏疾病。目前心脏MR图像分割的研究方法主要分为基于传统的方法和基于深度学习的方法，传统的方法在心脏MRI分割中难以处理复杂的心脏结构，导致分割效果不佳，而深度学习的方法能够更好地捕捉心脏MR图像中的复杂特征。U‑Net作为代表性的深度学习体系架构，采用了编码器‑解码器结构，并引入了跳跃连接，解决了传统卷积神经网络在分割任务中的信息丢失问题，为心脏MRI分割的研究和应用带来了重要的突破。然而，特征抽象能力不足以及缺乏学习像素之间的上下文关系的问题，这导致了分割的复杂性。

发明内容

[0003] 本发明为了克服以上技术的不足，提供了一种更好地捕捉和表示复杂的数据特征的基于上下文级联注意力的心脏MRI分割方法。

[0004] 本发明克服其技术问题所采用的技术方案是：

[0005] 一种基于上下文级联注意力的心脏MRI分割方法，包括如下步骤：

[0006] a)收集n个受试者的心脏MRI数据，得到MRI数据集s，s＝{s1,s2,...,si,...,sn}，si为第i名受试者的心脏MRI数据，i∈{1,2,...,n}；

[0007] b)对MRI数据集s进行预处理操作，得到预处理后的数据集F，F＝{F1,F2,...,Fi,...,Fn}，Fi为第i个预处理后的二维图像数据；

[0008] c)将预处理后的数据集F划分为训练集、测试集、验证集；

[0009] d)建立由编码器和解码器构成的分割网络模型；

[0010] e)将预处理后的二维图像数据Fi输入到分割网络模型的编码器中，输出得到特征图 特征图 特征图 特征图

[0011] f)将特征图 特征图 特征图 特征图 输入到分割网络模型的解码器中，输出得到预测分割图像

[0012] g)训练分割网络模型，得到优化后的分割网络模型。

[0013] 进一步的，步骤a)中从ACDC2017公共数据中，收集包含LV、RV、MYO三种结构的n个受试者的心脏MRI数据，得到MRI数据集s。

[0014] 优选的，步骤a)中n＝100。

[0015] 进一步的，步骤b)包括如下步骤：

[0016] b‑1)对第i名受试者的心脏MRI数据si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；

[0017] b‑2)将重采样后的心脏MRI数据si执行裁剪大小为224×224的2D中心剪裁操作，得到剪裁后的数据Fi′，将剪裁后的数据Fi′进行归一化处理，得到预处理后的二维图像数据Fi。

[0018] 优选的，步骤c)中将预处理后的数据集F按7:2:1的比例划分为训练集、测试集、验证集。

[0019] 进一步的，步骤e)包括如下步骤：

[0020] e‑1)分割网络模型的编码器由第一残差初始模块、第一最大池化层、第二残差初始模块、第二最大池化层、第三残差初始模块、第三最大池化层、第四残差初始模块构成；

[0021] e‑2)第一残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将预处理后的二维图像数据Fi输入到第一分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第二分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第三分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第四分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第五分支中，输出得到特征图 将特征图 特征图特征图 特征图 进行拼接操作得到特征图 将特征图 与特征图相加操作得到特征图 e‑3)将特征图 输入到第一最大池化层中，输出得到特征图 e‑4)第二残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图 特
征图 特征图 特征图 进行拼接操作得到特征图 将特征图 与特
征图 相加操作得到特征图 e‑5)将特征图 输入到第二最大池化层中，输出得到特征图 e‑6)第三残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图 输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图
特征图 特征图 特征图 进行拼接操作得到特征图 将特征图 与
特征图 相加操作得到特征图 e‑7)将特征图 输入到第三最大池化层中，输出得到特征图 e‑8)第四残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图 输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图
特征图 特征图 特征图 进行拼接操作得到特征图 将特征图
与特征图 相加操作得到特征图 优选的，步骤e‑2)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×
3、第三卷积层的卷积核大小为3×3；步骤e‑4)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑6)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×
3；步骤e‑8)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为
1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×
1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑3)中第一最大池化层的卷积核大小为2×2；步骤e‑5)中第二最大池化层的卷积核大小为2×2；步骤e‑7)中第三最大池化层的卷积核大小为2×2。

[0022] 进一步的，步骤f)包括如下步骤：

[0023] f‑1)分割网络模型的解码器由Conv‑block1、第一注意力门控模块、第一上采样层、第一上下文注意力模块、第一卷积层、Conv‑block2、第二注意力门控模块、第二上采样层、第二上下文注意力模块、第二卷积层、Conv‑block3、第三注意力门控模块、第三上采样层、第三上下文注意力模块、第三卷积层、Conv‑block4、第四注意力门控模块、第四上下文注意力模块、第四卷积层构成；

[0024] f‑2)Conv‑block4依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图输入到Conv‑block4中，输出得到特征图 第四注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第四注意力门控模块的第一卷积层、第一BN层中，输出得到特征图将特征图 依次输入到第四注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图 与特征图 相加得到特征图 将特征图 依次输入到第四注意力门控模块的ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 第四上下文注意力模块
由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第四上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第四上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第四上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图
与特征图 相加得到特征图 将特征图 输入到第四上下文注意力模块
的sigmoid函数中，输出得到特征图 将特征图 输入到第四卷积层中得到特征图f‑3)Conv‑block3依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block3中，输出得到特征图 将特征图 输入到第三上采样层中，输出得到特征图 第三注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第三注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第三注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图 与特征图相加得到特征图 将特征图 依次输入到第三注意力门控模块的ReLU激活
函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 级联得到特征图 第三上下文
注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第三上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第三上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第三上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 相加得到特征图 将特征图 输入到第三上
下文注意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第三卷积层中得到特征图 f‑4)Conv‑block2依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block2中，输出得到特征图 将特征图 输入到第二上采样层中，输出得到特征图 第二注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第二注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第二注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图与特征图 相加得到特征图 将特征图 依次输入到第二注意力门控模块的
ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图与特征图 相乘得到特征图 将特征图 与特征图 级联得到特征图
第二上下文注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第二上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第二上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第二上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 相加得到特征图 将特征图 输入到
第二上下文注意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第二卷积层中得到特征图 f‑5)Conv‑block1依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block1中，输出得到特征图 将特征图 输入到第一上采样层中，输出得到特征图 第一注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第一注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第一注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图与特征图 相加得到特征图 将特征图 依次输入到第一注意力门控模
块的ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 级联得到特征图
第一上下文注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第一上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第一上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第一上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 相加得到特征图 将特征图 输入到
第一上下文注意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第一卷积层中得到特征图 f‑6)将特征图 特征图 特征图 特征图 进行残差相加
得到特征图

[0025] 优选的，步骤f‑2)中Conv‑block4的卷积层的卷积核大小为3×3，padding为1；第四注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第四上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第四上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第四卷积层的卷积核大小为1×1；步骤f‑3)中Conv‑block3的卷积层的卷积核大小为3×3，padding为1；第三注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第三上采样层的卷积核大小为2×2；第三上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第三上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第三卷积层的卷积核大小为1×1；f‑4)中Conv‑block2的卷积层的卷积核大小为3×3，padding为1；第二注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第二上采样层的卷积核大小为2×2；第二上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第二上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第二卷积层的卷积核大小为1×1；f‑5)中Conv‑block1的卷积层的卷积核大小为3×3，padding为1；第一注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第一上采样层的卷积核大小为2×2；第一上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×
3，padding为1，第一上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第一卷积层的卷积核大小为1×1。进一步的，步骤g)中将Dice损失及交叉熵损失求和得到总损失，使用Adam优化器利用总损失训练分割网络模型，得到优化后的分割网络模型，训练时批次大小设为32，迭代周期设为200，学习率设为0.001。

[0026] 本发明的有益效果是：在编码器中引入残差初始模块来更好的学习有效的特征表示，提高模型的性能和泛化能力。在解码器中通过级联操作利用不同层的互补信息来细化每一层的特征，同时使用上下文注意力模块通过保留局部信息和压缩全局信息来探索每一层的上下文信息，并抑制不重要的信息区域来突出显著的特征，从而提高分割的精确度。

附图说明

[0027] 图1为本发明的分割网络模型的结构图；

[0028] 图2为本发明的残差初始模块的结构图；

[0029] 图3为本发明的注意力门控模块的结构图；

[0030] 图4为本发明的上下文注意力模块的结构图。

具体实施方式

[0031] 下面结合附图1至附图4对本发明做进一步说明。

[0032] 一种基于上下文级联注意力的心脏MRI分割方法，包括如下步骤：

[0033] a)收集n个受试者的心脏MRI数据，得到MRI数据集s，s＝{s1,s2,...,si,...,sn}，si为第i名受试者的心脏MRI数据，i∈{1,2,...,n}。

[0034] b)对MRI数据集s进行预处理操作，得到预处理后的数据集F，F＝{F1,F2,...,Fi,...,Fn}，Fi为第i个预处理后的二维图像数据。

[0035] c)将预处理后的数据集F划分为训练集、测试集、验证集。

[0036] d)建立由编码器和解码器构成的分割网络模型。

[0037] e)将预处理后的二维图像数据Fi输入到分割网络模型的编码器中，输出得到特征图 特征图 特征图 特征图

[0038] f)将特征图 特征图 特征图 特征图 输入到分割网络模型的解码器中，输出得到预测分割图像

[0039] g)训练分割网络模型，得到优化后的分割网络模型。

[0040] 在编码器中使用残差初始模块更好地捕捉和表示复杂的数据特征，在解码器中通过多层上下文级联操作学习多尺度和多分辨率空间表示的特征。

[0041] 在本发明的一个实施例中，步骤a)中从ACDC2017公共数据中，收集包含LV、RV、MYO三种结构的n个受试者的心脏MRI数据，得到MRI数据集s。在该实施例中，优选的，步骤a)中n＝100。

[0042] 在本发明的一个实施例中，步骤b)包括如下步骤：

[0043] b‑1)对第i名受试者的心脏MRI数据si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。

[0044] b‑2)将重采样后的心脏MRI数据si执行裁剪大小为224×224的2D中心剪裁操作，得到剪裁后的数据Fi′，为了保证数据的一致性，将剪裁后的数据Fi′进行归一化处理，得到预处理后的二维图像数据Fi。

[0045] 在本发明的一个实施例中，步骤c)中将预处理后的数据集F按7:2:1的比例划分为训练集、测试集、验证集。

[0046] 在本发明的一个实施例中，步骤e)包括如下步骤：

[0047] e‑1)分割网络模型的编码器由第一残差初始模块、第一最大池化层、第二残差初始模块、第二最大池化层、第三残差初始模块、第三最大池化层、第四残差初始模块构成。

[0048] e‑2)第一残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将预处理后的二维图像数据Fi输入到第一分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第二分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第三分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第四分支中，输出得到特征图 将预处理后的二维图像数据Fi输入到第五分支中，输出得到特征图 将特征图 特征图特征图 特征图 进行拼接操作得到特征图 将特征图 与特征图相加操作得到特征图 e‑3)将特征图 输入到第一最大池化层中，输出得到特征图 e‑4)第二残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图 特
征图 特征图 特征图 进行拼接操作得到特征图 将特征图 与特
征图 相加操作得到特征图 e‑5)将特征图 输入到第二最大池化层中，输出得到特征图 e‑6)第三残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图 输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图 特
征图 特征图 特征图 进行拼接操作得到特征图 将特征图 与特
征图 相加操作得到特征图 e‑7)将特征图 输入到第三最大池化层中，输出得到特征图 e‑8)第四残差初始模块由第一分支、第二分支、第三分支、第四分支、第五分支构成，第一分支由卷积层构成、第二分支依次由平均池化层、卷积层构成，第三分支依次由卷积层、BN层构成，第四分支依次由第一卷积层、第二卷积层、BN层构成，第五分支依次由第一卷积层、第二卷积层、第一BN层、第三卷积层、第二BN层构成，将特征图 输入到第一分支中，输出得到特征图 将特征图 输入到第二分支中，输出得到特征图 将特征图 输入到第三分支中，输出得到特征图 将特征图 输入到第四分支中，输出得到特征图 将特征图 输入到第五分支中，输出得到特征图 将特征图
特征图 特征图 特征图 进行拼接操作得到特征图 将特征图 与
特征图 相加操作得到特征图 在该实施例中，优选的，步骤e‑2)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑4)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为
2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑6)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑8)中第一分支的卷积层的卷积核大小为1×1，第二分支的卷积层的卷积核大小为1×1，第三分支的卷积层的卷积核大小为1×1，第四分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为5×5，padding为2，第五分支的第一卷积层的卷积核大小为1×1、第二卷积层的卷积核大小为3×3、第三卷积层的卷积核大小为3×3；步骤e‑
3)中第一最大池化层的卷积核大小为2×2；步骤e‑5)中第二最大池化层的卷积核大小为2×2；步骤e‑7)中第三最大池化层的卷积核大小为2×2。在本发明的一个实施例中，步骤f)包括如下步骤：

[0049] f‑1)分割网络模型的解码器由Conv‑block1、第一注意力门控模块、第一上采样层、第一上下文注意力模块、第一卷积层、Conv‑block2、第二注意力门控模块、第二上采样层、第二上下文注意力模块、第二卷积层、Conv‑block3、第三注意力门控模块、第三上采样层、第三上下文注意力模块、第三卷积层、Conv‑block4、第四注意力门控模块、第四上下文注意力模块、第四卷积层构成。

[0050] f‑2)Conv‑block4依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图输入到Conv‑block4中，输出得到特征图 第四注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第四注意力门控模块的第一卷积层、第一BN层中，输出得到特征图将特征图 依次输入到第四注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图 与特征图 相加得到特征图 将特征图 依次输入到第四注意力门控模块的ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 第四上下文注意力模块
由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第四上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第四上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第四上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图
与特征图 相加得到特征图 将特征图 输入到第四上下文注意力模块
的sigmoid函数中，输出得到特征图 将特征图 输入到第四卷积层中得到特征图f‑3)Conv‑block3依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block3中，输出得到特征图 将特征图 输入到第三上采样层中，输出得到特征图 第三注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第三注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第三注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图 与特征图相加得到特征图 将特征图 依次输入到第三注意力门控模块的ReLU激活
函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 级联得到特征图 第三上下文
注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第三上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第三上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第三上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图将特征图 与特征图 相加得到特征图 将特征图 输入到第三上
下文注意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第三卷积层中得到特征图 f‑4)Conv‑block2依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block2中，输出得到特征图 将特征图 输入到第二上采样层中，输出得到特征图 第二注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第二注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第二注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图 与特征图 相加得到特征图 将特征图 依次输入到第二注意力门控模块的ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 级联得到特征图 第二上
下文注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第二上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第二上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第二上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图将特征图 与特征图 相加得到特征图 将特征图 输入到第二上
下文注意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第二卷积层中得到特征图 f‑5)Conv‑block1依次由卷积层、BatchNorm层、ReLU激活函数构成，将特征图 输入到Conv‑block1中，输出得到特征图 将特征图 输入到第一上采样层中，输出得到特征图 第一注意力门控模块由第一卷积层、第一BN层、第二卷积层、第二BN层、ReLU激活函数、第三卷积层、第三BN层、sigmoid函数构成，将特征图 依次输入到第一注意力门控模块的第一卷积层、第一BN层中，输出得到特征图 将特征图 依次输入到第一注意力门控模块的第二卷积层、第二BN层中，输出得到特征图 将特征图与特征图 相加得到特征图 将特征图 依次输入到第一注意力门控模块的
ReLU激活函数、第三卷积层、第三BN层、sigmoid函数中，输出得到特征图 将特征图与特征图 相乘得到特征图 将特征图 与特征图 级联得到特征图
第一上下文注意力模块由第一卷积层、第二卷积层、全局最大池化层、第三卷积层、第四卷积层、sigmoid函数构成，将特征图 依次输入到第一上下文注意力模块的第一卷积层、第二卷积层中，输出得到特征图 将特征图 输入到第一上下文注意力模块的全局最大池化层中，输出得到特征图 将特征图 依次输入到第一上下文注意力模块的第三卷积层、第四卷积层中，输出得到特征图 将特征图 与特征图 相乘得到特征图 将特征图 与特征图 相加得到特征图 将特征图 输入到
第一上下文注意力模块的sigmoid函数中，输出得到特征图 将特征图 输入到第一卷积层中得到特征图 f‑6)将特征图 特征图 特征图 特征图 进行残差相
加得到特征图

[0051] 在该实施例中，优选的，步骤f‑2)中Conv‑block4的卷积层的卷积核大小为3×3，padding为1；第四注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第四上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第四上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第四卷积层的卷积核大小为1×1；步骤f‑3)中Conv‑block3的卷积层的卷积核大小为3×3，padding为1；第三注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第三上采样层的卷积核大小为2×2；第三上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第三上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第三卷积层的卷积核大小为1×1；f‑4)中Conv‑block2的卷积层的卷积核大小为3×3，padding为1；第二注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第二上采样层的卷积核大小为2×2；第二上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第二上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第二卷积层的卷积核大小为1×1；f‑5)中Conv‑block1的卷积层的卷积核大小为3×3，padding为1；第一注意力门控模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×1；第一上采样层的卷积核大小为2×2；第一上下文注意力模块的第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3，padding为1，第一上下文注意力模块的第四卷积层的卷积核大小为1×1；解码器的第一卷积层的卷积核大小为1×1。

[0052] 在本发明的一个实施例中，步骤g)中将Dice损失及交叉熵损失求和得到总损失，使用Adam优化器利用总损失训练分割网络模型，得到优化后的分割网络模型，训练时批次大小设为32，迭代周期设为200，学习率设为0.001。

[0053] 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。