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,…,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Tfa＝{Tfa1,Tfa2,...,

Tfai,…,Tfan}；

c)将预处理后的数据集Tfa＝{Tfa1,Tfa2,…,Tfai,…,Tfan}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Tfai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Tfai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；

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Tfai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Tfs‑1；

d‑17)将特征图Tfs‑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Tfs‑1‑1、特征图Tfs‑1‑2、特征图Tfs‑1‑3；

d‑18)将特征图Tfs‑1‑1与特征图Tfs‑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Tfs‑1‑4；

d‑19)将特征图Tfs‑1‑3和特征图Tfs‑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Tfs‑1相加得到特征图Tfs‑1‑5；

d‑20)将特征图Tfs‑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Tfau‑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Tfau‑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Tfau‑1‑3，将特征图Tfau‑1‑1和特征图Tfau‑1‑2相加得到特征图Tfau‑1‑4，将特征图Tfau‑1‑2和特征图Tfau‑1‑3相加得到特征图Tfau‑1‑5，将特征图Tfau‑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Tfau‑1‑6，将特征图Tfau‑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Tfau‑1‑7，将特征图Tfau‑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Tfau‑1‑8，将注意力图Tfau‑1‑6与特征图Tfau‑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Tfau‑1‑9，将特征图Tfau‑1‑7、特征图Tfau‑1‑8、特征图 相加得到特征图Tfau‑1‑10，将特征图Tfau‑1‑9与特征图Tfau‑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Tfau‑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Tfau‑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Tfau‑2‑3，将特征图Tfau‑2‑1和特征图Tfau‑2‑2相加得到特征图Tfau‑2‑4，将特征图Tfau‑2‑2和特征图Tfau‑2‑3相加得到特征图Tfau‑2‑5，将特征图Tfau‑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Tfau‑2‑6，将特征图Tfau‑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Tfau‑2‑7，将特征图Tfau‑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Tfau‑2‑8，将注意力图Tfau‑2‑6与特征图Tfau‑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Tfau‑2‑9，将特征图Tfau‑2‑7、特征图Tfau‑2‑8、特征图 相加得到特征图Tfau‑2‑10，将特征图Tfau‑2‑9与特征图Tfau‑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Tfau‑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Tfau‑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Tfau‑3‑3，将特征图Tfau‑3‑1和特征图Tfau‑3‑2相加得到特征图Tfau‑3‑4，将特征图Tfau‑3‑2和特征图Tfau‑3‑3相加得到特征图Tfau‑3‑5，将特征图Tfau‑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Tfau‑3‑6，将特征图Tfau‑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Tfau‑3‑7，将特征图Tfau‑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Tfau‑3‑8，将注意力图Tfau‑3‑6与特征图Tfau‑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Tfau‑3‑9，将特征图Tfau‑3‑7、特征图Tfau‑3‑8、特征图 相加得到特征图Tfau‑3‑10，将特征图Tfau‑3‑9与特征图Tfau‑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Tfau‑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Tfau‑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Tfau‑4‑3，将特征图Tfau‑4‑1和特征图Tfau‑4‑2相加得到特征图Tfau‑4‑4，将特征图Tfau‑4‑2和特征图Tfau‑4‑3相加得到特征图Tfau‑4‑5，将特征图Tfau‑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Tfau‑4‑6，将特征图Tfau‑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Tfau‑4‑7，将特征图Tfau‑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Tfau‑4‑8，将注意力图Tfau‑4‑6与特征图Tfau‑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Tfau‑4‑9，将特征图Tfau‑4‑7、特征图Tfau‑4‑8、特征图 相加得到特征图Tfau‑4‑10，将特征图Tfau‑4‑9与特征图Tfau‑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。

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pi′，剪裁后的MRI数据集p′，p′＝{p1′,p2′,…,pi′,...,pn′}，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Tfai，预处理后的数据集Tfa＝{Tfa1,Tfa2,...,Tfai,...,Tfan}。

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Tfa＝{Tfa1,Tfa2,...,Tfai,...,Tfan}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‑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‑20)中特征相似性模块FS的第四卷积层的卷积核大小为3×3、padding为1、步长为1。

6.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：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。

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，其

特征在于，步骤f)包括如下步骤：

f‑1)通过公式Totalloss＝Dloss+WCEloss计算得到总损失Totalloss，式中Dloss为Dice损失，WCEloss为加权交叉熵损失；

f‑2)采用Adam优化器使用总损失Totalloss训练分割网络模型。

8.根据权利要求7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。