(19)國家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利(45)授權(quán)公告日2025.06.27(21)申請?zhí)?02211264344.4(22)申請日2022.10.14(43)申請公布日2023.01.03地址300130天津市紅橋區(qū)丁字沽光榮道8(72)發(fā)明人向順王健儒王元全郭世杰蘇衛(wèi)華所(普通合伙)12210專利代理師蔡運(yùn)紅GO6V10/82(2022.01)AU2020103715A4,2021.02.11審查員盧素齋基于跨模型相互教學(xué)半監(jiān)督的房顫輔助分析方法本發(fā)明為基于跨模型相互教學(xué)半監(jiān)督的房分析。該方法通過跨模型相互教學(xué)的半監(jiān)督機(jī)定義數(shù)據(jù)集，并對數(shù)據(jù)集進(jìn)行增強(qiáng)：引入可變形的Transformer,構(gòu)建左心房分割模型：搭建基于跨模型相互教學(xué)的半監(jiān)督訓(xùn)練框架，并設(shè)計(jì)損失函數(shù)進(jìn)行模型訓(xùn)練，最終生成左心房分割預(yù)測圖；基于重建后的左心房分割預(yù)測圖，計(jì)算左心房的直徑、體積、體積指數(shù)和左心房球形度四種臨床指標(biāo)。21.一種基于跨模型相互教學(xué)半監(jiān)督的房顫輔助分析方法，其特征在于，該方法包括以S1、在訓(xùn)練階段采用包含隨機(jī)翻轉(zhuǎn)、對比度增強(qiáng)以及隨機(jī)裁剪在內(nèi)的方式進(jìn)行數(shù)據(jù)增強(qiáng)，在推理階段采用中心裁剪進(jìn)行數(shù)據(jù)增強(qiáng)，將待分割的3D心臟核磁共振圖像裁剪為規(guī)定S2、引入可變形的Transformer,構(gòu)建左心房分割模型；左心房分割模型包括基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器、3D可變形的Transformer編碼器和基于卷積神經(jīng)網(wǎng)絡(luò)的解碼器；基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器包括多個(gè)級聯(lián)的編碼器層，每個(gè)編碼器層均包含卷積層、歸一化層、激活層和下采樣層，待分割的3D心臟核磁共振圖像通過基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器進(jìn)行特征提取，得到多尺度空間特征圖；3D可變形的Transformer編碼器由多個(gè)3D可變形的Transformer編碼器層堆疊而成，每個(gè)3D可變形的Transformerr編碼器層均包括級聯(lián)的自注意力層、歸一化層、前向反饋層和歸一化層，自注意力層和前向反饋層采用殘差連接；基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器提取的空間特征圖輸入到3D可變形的Transformer編碼器中，通過3D位置編碼器對輸入的空間特征圖進(jìn)行扁平化，同時(shí)將空間特征圖中左心房區(qū)域的像素點(diǎn)作為關(guān)鍵點(diǎn)；將扁平化后的空間特征圖和關(guān)鍵點(diǎn)輸入到自注意力層中，自注意力層利用3D可變形的多頭自注意力機(jī)制使3D可變形的Transformerr編碼器只關(guān)注空間特征圖的部分像素點(diǎn)，3D可變形的自注意力機(jī)制是將注意力機(jī)制在Z軸方向拓展得到，表達(dá)式坐標(biāo)，Pq表示z的歸一化坐標(biāo)，f1}L=2表示多尺度空間特征圖，m表示多頭注意力機(jī)制的自樣偏移量和注意力權(quán)重；φ(pq)表示將歸一化坐標(biāo)Pq轉(zhuǎn)換為對應(yīng)的第1個(gè)空間特征圖；基于卷積神經(jīng)網(wǎng)絡(luò)的解碼器包括與編碼器層數(shù)量相同的解碼器層，除最后一個(gè)解碼器層為上采樣層外，其余解碼器層均為轉(zhuǎn)置卷積；S3、搭建基于跨模型相互教學(xué)的半監(jiān)督訓(xùn)練框架；將左心房分割模型作為教師模型，V-式中，LcE(y;,p)、LDICE(y,p)分別表示左心房分割預(yù)測圖p與真實(shí)標(biāo)簽y之間的交叉熵?fù)p失和骰子系數(shù)損失；對于未標(biāo)簽數(shù)據(jù)，使用跨模型相互教學(xué)的半監(jiān)督訓(xùn)練，3D心臟核磁共振圖像分別輸入到教師模型和學(xué)生模型中產(chǎn)生兩個(gè)偽標(biāo)簽，利用教師模型為學(xué)生模型提供偽標(biāo)簽，利用學(xué)生模型為教師模型提供偽標(biāo)簽；對生成的偽標(biāo)簽進(jìn)行過濾，將左心房分割預(yù)測圖中像素點(diǎn)的置信度作為過濾指標(biāo)，分別對左心房分割預(yù)測圖的前景和背景設(shè)置閾值，對于左心房分割預(yù)測圖的前景選擇置信度高于前景閾值的像素點(diǎn)，左心房分割預(yù)測圖的背景選擇置信度小于背景閾值的像素點(diǎn)，將左心房分割預(yù)測圖中的其余像素點(diǎn)刪除，得到過濾后的左心房3分割預(yù)測圖；利用過濾后的左心房分割預(yù)測圖和偽標(biāo)簽計(jì)算模型訓(xùn)練的二交叉熵?fù)p失為：其中，9i[0]、9i[1]分別表示左心房分割預(yù)測圖的前景和背景，γ和β分別表示前景閾值和背景閾值；9;表示偽標(biāo)簽，包括教師模型為學(xué)生模型提供的偽標(biāo)簽和學(xué)生模型為教師模型提供的偽標(biāo)簽9;左心房分割預(yù)測圖p.包括教師模型和學(xué)生模型的預(yù)測結(jié)果；跨模型相互教學(xué)的策略損失函數(shù)Lcm定義為：Lcmt=LBCE(§,pT)+LBCE(T,p{)式中，LBCE({,pT)表示教師模型的預(yù)測結(jié)果與偽標(biāo)簽的二交叉熵?fù)p失，LBCE(T,pS)表示學(xué)生模型的預(yù)測結(jié)果與偽標(biāo)簽的二交叉熵?fù)p失；模型訓(xùn)練總的損失函數(shù)表示為：其中，Lsup表示監(jiān)督損失，Lcm表示跨模型相互教學(xué)的策略損失，a表示平衡因子；平衡因子α的表達(dá)式為：式中，t表示模型當(dāng)前的訓(xùn)練步數(shù)，tma表示模型的最大訓(xùn)練步數(shù)；S4、對同一張3D心臟核磁共振圖像生成的多張左心房分割預(yù)測圖按照原來的位置進(jìn)行3D重建，得到重建后的左心房分割預(yù)測圖；基于重建后的左心房分割預(yù)測圖，計(jì)算左心房的直徑、體積、體積指數(shù)和左心房球形度四種臨床指標(biāo)，醫(yī)生將這些臨床指標(biāo)與正常參考值范圍進(jìn)行比較，并結(jié)合臨床經(jīng)驗(yàn)判斷患者是否有房顫，實(shí)現(xiàn)房顫的輔助分析。2.根據(jù)權(quán)利要求1所述的基于跨模型相互教學(xué)半監(jiān)督的房顫輔助分析方法，其特征在于，在步驟S4中，從重建后的左心房分割預(yù)測圖中獲取左心房的體積LA、左心房前后徑的直徑LAdia;左心房的體積指數(shù)LA為：其中，B表示患者的體表面積，計(jì)算公式為：Ba=0.0061×身高+0.0124×體重-0.0099(15)左心房球形度LAp為：其中，Vdia表示與左心房同容積球體的直徑。3.根據(jù)權(quán)利要求1或2所述的基于跨模型相互教學(xué)半監(jiān)督的房顫輔助分析方法，其特征在于，所述基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器包括四個(gè)編碼器層，編碼器層的卷積層的卷積核大小為2*2*2,步長為2;基于卷積神經(jīng)網(wǎng)絡(luò)的解碼器包括四個(gè)解碼器層，解碼器層的轉(zhuǎn)置卷積的卷積核大小為2*2*2,步長為2。4技術(shù)領(lǐng)域[0001]本發(fā)明屬于房顫輔助分析技術(shù)領(lǐng)域，特別是涉及一種基于跨模型相互教學(xué)半監(jiān)督的房顫輔助分析方法。背景技術(shù)[0002]房顫作為最常見的心臟疾病，通常表現(xiàn)為持續(xù)性心率失常和左心房增大，因此左心房的解剖結(jié)構(gòu)能夠?yàn)榉款澆±矸治鎏峁┲匾畔?，而左心房的直徑、體積、體積指數(shù)和球形度這四個(gè)指標(biāo)可以為房顫評估和分析提供重要依據(jù)，故準(zhǔn)確計(jì)算這些指標(biāo)值對房顫評估具有重要作用。然而，準(zhǔn)確計(jì)算指標(biāo)值依賴于左心房輪廓的準(zhǔn)確描繪，目前在臨床診斷上醫(yī)生主要通過從心臟核磁共振圖像手動(dòng)分割左心房區(qū)域，不僅耗費(fèi)時(shí)間，而且分割準(zhǔn)確度較[0003]隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的圖像分割方法取得了良好的效果。目前大多數(shù)可用的臨床數(shù)據(jù)庫規(guī)模較小，因此很難使用全監(jiān)督學(xué)習(xí)方式訓(xùn)練模型。對于醫(yī)學(xué)影像來說獲取大量的標(biāo)簽數(shù)據(jù)是一個(gè)費(fèi)時(shí)費(fèi)力的過程，標(biāo)簽結(jié)果受到醫(yī)生主觀影像較大。相較于標(biāo)簽數(shù)據(jù)，無標(biāo)簽數(shù)據(jù)是容易獲得且能夠大量提供，如何利用有限的標(biāo)簽數(shù)據(jù)和大量的無標(biāo)簽數(shù)據(jù)進(jìn)行半監(jiān)督學(xué)習(xí)已經(jīng)成為很多研究者關(guān)注的重點(diǎn)。目前，在半監(jiān)督學(xué)習(xí)中主要面臨兩大難點(diǎn)：1)一致性正則化約束問題。一致性正則化約束通過添加擾動(dòng)加強(qiáng)模型在預(yù)測過程或者中間特征提取過程中的一致性。對于同一個(gè)無標(biāo)簽數(shù)據(jù)通過在擾動(dòng)過程中隨機(jī)擴(kuò)充圖像，使得模型在前向傳播中獲得兩個(gè)不同的預(yù)測結(jié)果，并在增強(qiáng)圖像的預(yù)測之間加入一致性約束，從而使模型更加關(guān)注低密度區(qū)域，以教師-學(xué)生模型訓(xùn)練框架中使用的是基于指數(shù)移動(dòng)平均(EMA)方法更新教師參數(shù)。然而，指數(shù)移動(dòng)平均更側(cè)重于在訓(xùn)練過程中的每個(gè)階段對學(xué)生模型的參數(shù)進(jìn)行加權(quán)，并沒有評估模型生成的偽標(biāo)簽的質(zhì)量。隨著訓(xùn)練次數(shù)的增加，教師模型會(huì)累積學(xué)習(xí)到學(xué)生模型的參數(shù)，同時(shí)也會(huì)累積參數(shù)中的錯(cuò)誤知識(shí)，這樣不能夠保證教師模型能夠提供更好的偽標(biāo)簽進(jìn)行監(jiān)督。2)模型空間信息獲取能力不足。在已有的大多數(shù)研究中采用的是基于純卷積神經(jīng)網(wǎng)絡(luò)(CNN)的醫(yī)學(xué)影像分割方法，其中大部分模型都是基于U-Net/V-Net模型及其變體衍化而來的，雖然在各種任務(wù)中取得了不錯(cuò)的結(jié)果，但是由于卷積運(yùn)算有一定的局限性，基于CNN的方法對于全局信息和長依賴信息的建模能力有限，而且大多數(shù)醫(yī)學(xué)影像都是基于3D結(jié)構(gòu)的，每張圖像之間都有很多空間信息，這些空間信息在CNN模型中無法很好地被獲取。發(fā)明內(nèi)容[0004]針對現(xiàn)有技術(shù)的不足，本發(fā)明擬解決的技術(shù)問題是，提出一種基于跨模型相互教學(xué)半監(jiān)督的房顫輔助分析方法。[0005]本發(fā)明解決所述技術(shù)問題采用的技術(shù)方案如下：[0006]一種基于跨模型相互教學(xué)半監(jiān)督的房顫輔助分析方法，包括以下步驟：[0007]S1、在訓(xùn)練階段采用包含隨機(jī)翻轉(zhuǎn)、對比度增強(qiáng)以及隨機(jī)裁剪在內(nèi)的方式進(jìn)行數(shù)5[0010]3D可變形的Transformer[0011]基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器提取的空間特征圖輸入到3D可變形的Transformer編意力層利用3D可變形的多頭自注意力機(jī)制使3D可變形的Transformerr編碼器只關(guān)注空間點(diǎn)的采樣偏移量和注意力權(quán)重；中L(pq)表示將歸一化坐標(biāo)Pq轉(zhuǎn)換為素點(diǎn)的置信度作為過濾指標(biāo)，分別對左心房分割預(yù)測心房分割預(yù)測圖；利用過濾后的左心房分割預(yù)6[0020]其中，9i[0]、9i[1]分別表示左心房分割預(yù)測圖的前景和背景，γ和β分別表示前景閾值和背景閾值；;表示偽標(biāo)簽，包括教師模型為學(xué)生模型提供的偽標(biāo)簽和學(xué)生模型為教師模型提供的偽標(biāo)簽9;左心房分割預(yù)測圖p?包括教師模型和學(xué)生模型的預(yù)測結(jié)果；[0021]跨模型相互教學(xué)的策略損失函數(shù)Lm定義為：表示教師模型的預(yù)測結(jié)果與偽標(biāo)簽的二交叉熵?fù)p失，LBCE(T,pS)表示學(xué)生模型的預(yù)測結(jié)果與偽標(biāo)簽的二交叉熵?fù)p失；[0024]模型訓(xùn)練總的損失函數(shù)表示為：[0029]式中，t表示模型當(dāng)前的訓(xùn)練步數(shù)，tmx表示模型的最大訓(xùn)練步數(shù)；[0030]S4、對同一張3D心臟核磁共振圖像生成的多張左心房分割預(yù)測圖按照原來的位置進(jìn)行3D重建，得到重建后的左心房分割預(yù)測圖；基于重建后的左心房分割預(yù)測圖，計(jì)算左心房的直徑、體積、體積指數(shù)和左心房球形度四種臨床指標(biāo)，醫(yī)生將這些臨床指標(biāo)與正常參考值范圍進(jìn)行比較，并結(jié)合臨床經(jīng)驗(yàn)判斷患者是否有房顫，實(shí)現(xiàn)房顫的輔助分析。[0032]1、3D心臟核磁共振圖像中含有豐富的空間信息，有利于左心房的準(zhǔn)確分割。為了對3D心臟核磁共振圖像進(jìn)行分割，本發(fā)明在卷積神經(jīng)網(wǎng)絡(luò)中引入可變形的Transformer構(gòu)建左心房分割模型，充分利用CNN提取局部特征和Transformer可以對遠(yuǎn)程長依賴信息進(jìn)行建模，以提取空間信息的優(yōu)勢。與傳統(tǒng)的Transformer模塊相比，本發(fā)明的3D可變形的Transformer編碼器將左心房區(qū)域的像素點(diǎn)作為關(guān)鍵點(diǎn)，使得3D可變形的Transformer編碼器只關(guān)注左心房區(qū)域所在的關(guān)鍵點(diǎn)，而不管特征圖的空間大小。通過為每個(gè)查詢只分配少量固定數(shù)量的鍵，可以緩解收斂和特征空間分辨率的問題，減少計(jì)算量的同時(shí)加快了收斂[0033]2、在左心房分割模型與V-Net模型之間搭建跨模型相互教學(xué)的半監(jiān)督機(jī)制，能夠兼顧不同模型在同一數(shù)據(jù)上的信息類別，同時(shí)對預(yù)測結(jié)果設(shè)置了前景閾值和背景閾值，利用像素點(diǎn)的置信度對生成的偽標(biāo)簽進(jìn)行過濾，進(jìn)而提供準(zhǔn)確穩(wěn)定的偽標(biāo)簽，使兩個(gè)模型預(yù)測逐漸達(dá)到一致性，從而提高左心房分割模型的分割精度。同時(shí)解決了現(xiàn)有的教師-學(xué)生模型半監(jiān)督訓(xùn)練框架中，隨著訓(xùn)練次數(shù)的增加，教師模型會(huì)累積錯(cuò)誤的知識(shí)，而不能提供更好的偽標(biāo)簽進(jìn)行監(jiān)督的問題。在分割過程中充分利用了大量未標(biāo)簽數(shù)據(jù)，很大程度上緩解了模型對標(biāo)簽數(shù)據(jù)的依賴，減少了醫(yī)生對3DMRI數(shù)據(jù)的標(biāo)注時(shí)間和精力，減少人力成本。[0034]3、本發(fā)明通過左心房分割模型獲取左心房區(qū)域的圖像，并通過3D重建左心房分割結(jié)果得到左心房直徑、體積、體積指數(shù)和左心房球形度四種臨床指標(biāo)，能夠幫助醫(yī)生在房顫7癥狀和心臟疾病方面的診斷，在臨床實(shí)踐中具有重要意義，有利于醫(yī)學(xué)自動(dòng)診斷技術(shù)從實(shí)驗(yàn)室到臨床應(yīng)用。附圖說明[0035]圖1為本發(fā)明的整體流程圖；[0036]圖2為本發(fā)明的左心房分割模型的結(jié)構(gòu)圖；[0038]圖4為本發(fā)明的3D可變形的Transformerr編碼器層的結(jié)構(gòu)圖。具體實(shí)施方式[0039]下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)描述，但并不以此限定本申請的保護(hù)范圍。[0040]本發(fā)明提供一種基于跨模型相互教學(xué)半監(jiān)督的房顫輔助分析方法(簡稱方法，參見圖1～4),具體包括以下步驟：[0041]S1、定義數(shù)據(jù)集：遵循標(biāo)準(zhǔn)的半監(jiān)督學(xué)習(xí)數(shù)據(jù)集設(shè)置，將數(shù)據(jù)集記為D,將標(biāo)簽數(shù)據(jù)集表示為D?={x?,y?},未標(biāo)簽數(shù)據(jù)集表示為D={x},其中x表示3D心臟核磁共振圖像，y?表示真實(shí)標(biāo)簽；選取20%的標(biāo)簽數(shù)據(jù)和80%的未標(biāo)簽數(shù)據(jù)用于模型訓(xùn)練，達(dá)到利用少量的標(biāo)簽數(shù)據(jù)和大量的未標(biāo)簽數(shù)據(jù)組成的樣本訓(xùn)練模型的目的；[0042]對數(shù)據(jù)集進(jìn)行增強(qiáng)：目前醫(yī)學(xué)影像的數(shù)據(jù)集與動(dòng)輒幾千、幾萬張的自然圖像的數(shù)據(jù)集相比十分稀少，為了使模型的穩(wěn)健性更強(qiáng)，在訓(xùn)練階段采用組合方式進(jìn)行數(shù)據(jù)增強(qiáng)，包含隨機(jī)翻轉(zhuǎn)15°、對比度增強(qiáng)以及隨機(jī)裁剪等方式；在推理階段使用中心裁剪的方式進(jìn)行數(shù)據(jù)增強(qiáng)，將待分割的3D心臟核磁共振圖像裁剪為240*240*80像素；[0043]S2、引入可變形的Transformer,構(gòu)建左心房分割模型；左心房分割模型包括基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器、3D可變形的Transformer編碼器和基于卷積神經(jīng)網(wǎng)絡(luò)的解碼器，參見圖2;[0044]S21、基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器包括四個(gè)級聯(lián)的編碼器層，每個(gè)編碼器層均包含級聯(lián)的卷積層、歸一化層、激活層和下采樣層；卷積層的卷積核大小為2*2*2,步長為2;激活層采用PRELU激活函數(shù)，歸一化層采用BatchNorm層歸一化函數(shù)；經(jīng)過卷積特征圖的通道數(shù)會(huì)增加一倍，分辨率減少一半；將待分割的3D心臟核磁共振圖像輸入到基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器中進(jìn)行特征提取，得到多尺度空間特征圖，多尺度空間特征圖編碼器層數(shù)量，F(xiàn)CNN(.)表示基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器，[0047]S22、3D可變形的Transformer編碼器由多個(gè)3D可變形的Transformer編碼器層堆疊而成(本實(shí)施例為8個(gè)),每個(gè)3D可變形的Transformerr編碼器層均包括級聯(lián)的自注意力8層、歸一化層、前向反饋層和歸一化層，自注意力層和前向反饋層均采用殘差連接，參見圖3;將基于卷積神經(jīng)網(wǎng)絡(luò)的編碼器的第二～四個(gè)編碼器層提取的空間特征圖輸入到3D可變形的Transformer編碼器中，得到Transformer編碼器提取的空間特征圖，進(jìn)而提取到3D心臟核磁共振圖像之間的長依賴信息；[0048]Transformer是一種基于多頭注意機(jī)制的網(wǎng)絡(luò)架構(gòu)，主要應(yīng)用于自然語言處理，由于其在長依賴信息中的優(yōu)勢，在處理視覺任務(wù)中也取得了不錯(cuò)的效果；在Transformer模塊中，給定一個(gè)查詢元素(例如分割區(qū)域的一個(gè)像素點(diǎn))和一組關(guān)鍵元素(例如待分割圖像中的像素點(diǎn)),多頭注意力機(jī)制根據(jù)注意力權(quán)重自適應(yīng)地聚合關(guān)鍵元素查詢的匹配程度；為了讓模型關(guān)注來自不同表示子空間和不同位置的內(nèi)容，多頭注意力機(jī)制將不同注意力頭的輸出與可學(xué)習(xí)的注意力權(quán)重進(jìn)行線性聚合；本申請?jiān)趥鹘y(tǒng)Transformer模塊的基礎(chǔ)上進(jìn)行改進(jìn)，得到3D可變形的Transformer模塊，一方面為了解決傳統(tǒng)Transformer模塊在收斂之前方面為了解決傳統(tǒng)Transformer模塊計(jì)算的是圖像所有數(shù)據(jù)的權(quán)重，多頭注意力的計(jì)算和記憶復(fù)雜度很高，如果有許多查詢和關(guān)鍵元素，會(huì)使得計(jì)算量非常大難以適用于3D醫(yī)學(xué)影像的問題；[0049]因此，3D可變形的Transformer編碼器首先通過3D位置編碼器對輸入的空間特征圖進(jìn)行扁平化，同時(shí)將空間特征圖中左心房區(qū)域的像素點(diǎn)作為關(guān)鍵點(diǎn)；3D位置編碼器的表達(dá)式為：像素點(diǎn)的索引編號；[0052]然后，將扁平化后的空間特征圖和關(guān)鍵點(diǎn)輸入到自注意力層中，自注意力層通過3D可變形的多頭自注意力機(jī)制使3D可變形的Transformerr編碼器只關(guān)注空間特征圖的部分像素點(diǎn)；3D可變形的自注意力機(jī)制是將注意力機(jī)制在Z軸方向(即增加一個(gè)通道)拓展得[0054]式中，TDDeforattn(zq,Pq,{f3}{=2)表示3D可變形的多頭注意力機(jī)制，z表示像素的自注意力頭索引編號，M表示自注意力頭數(shù)，L表示空間特征圖數(shù)量，W、W′均表示單位矩點(diǎn)的采樣偏移量和注意力權(quán)重；φ(pq)表示將歸一化坐標(biāo)Pq轉(zhuǎn)換為對應(yīng)的第1個(gè)空間特征[0055]S23、基于卷積神經(jīng)網(wǎng)絡(luò)的解碼器包括四個(gè)級聯(lián)的解碼器層，前三個(gè)解碼器層均采用卷積核大小為2*2*2,步長為2的轉(zhuǎn)置卷積，將Transformer編碼器提取的空間特征圖返回到輸入分辨率；最后一個(gè)解碼器層為上采樣層，用于輸出左心房分割預(yù)測圖；為了保留更多的底層細(xì)節(jié)，基于卷積神經(jīng)