[發明專利]基于注意力卷積神經網絡的CT圖像分割系統

有效

• 申請號: 202010190946.4
• 申請日: 2020-03-18
• 公開（公告）號: CN111325751B
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 龍建武;宋鑫磊;安勇;鄢澤然
• 申請（專利權）人: 重慶理工大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/11;G06T7/12;G06N3/04;G06N3/08
• 代理公司: 重慶信航知識產權代理有限公司 50218
• 代理人: 穆祥維

本發明提供一種基于注意力卷積神經網絡的CT圖像分割系統，包括使用并聯卷積神經網絡來逐步減小輸入圖像的特征圖大小，通過網絡層復用以及各層特征的截取與融合，實現同時提取出圖像語義信息和空間信息的特征編碼模塊；使用池化生成注意力特征，將特征編碼模塊提取的語義信息特征進一步精練細化的語義信息提取注意力模塊；使用最大池化與平均池化并聯，將經過精細化的語義信息特征與經過特征編碼模塊拼接的語義信息和空間信息特征進行融合組成為注意力特征圖的特征融合池化注意力模塊；使用卷積模塊與上采樣模塊，將注意力特征圖逐步精細還原為輸入圖像大小的特征圖解碼模塊。本發明通過融合注意力模塊，實現了高效而精準的圖像分割。

技術領域

本發明涉及圖像理解技術領域，具體涉及一種基于注意力卷積神經網絡的CT圖像分割系統。

背景技術

圖像分割作為計算機視覺領域重要的基礎性研究問題，而醫學影像分割作為圖像分割的一種應用，可以短時間并迅速的對于大量患者的病灶精確準定位。因此如何有效的將圖像分割技術應用在醫學影像中，成為研究者們的主要任務。

醫學影像分割通過對醫學影像特征的提取，逐像素將圖像中的語義表達分類，醫學影像分割需要精確定位對象與所屬于的類和對象所在的位置，且需要清楚的劃分出對象邊界，以區分出不同類別對象。

目前國內外廣泛應用的醫學圖像分割方法有很多種，其中傳統方法主要包括：基于閾值的分割，閾值分割的優點是實現相對簡單，但是不太適用于多通道圖像和特征值相差不大的圖像，對于圖像中不存在明顯的灰度差異或各物體的灰度值范圍有較大重疊的圖像分割問題難以得到準確的結果；基于邊緣分割方法，邊緣檢測的優點是搜索檢測速度很快，對邊緣檢測效果好，但是也有著不能得到較好的區域結構、邊緣檢測時抗噪性和檢測精度之間的矛盾的缺點；基于活動輪廓模型的方法又稱Snake模型，原始的Snake模型其基本思想是通過能量最小化，將一條帶有能量函數的初始曲線朝著待檢測的目標輪廓方向逐步變形與運動，最終收斂到目標邊界，得到一個光滑并且連續的輪廓，原始的Snake模型存在難以捕捉目標凹陷邊界及對初始輪廓線敏感等不足，因而后續有許多改進的方法。

另外基于神經網絡的分割方法，自從Long等人于2014年提出FCN算法(FullyConvolutional Networks)之后，就將端到端的卷積網絡推廣到語義分割中。其重新將預訓練好的ImageNet網絡用于分割問題中，使用反卷積層進行上采樣，提出了跳躍連接來改善上采樣的粗糙程度，但是FCN得到的結果距離實際應用還是有著一定的差距。雖然使用跳躍結構進行精度的提升，但是對于圖像的邊緣信息，模型無法很好的分離出來。對逐像素分類的過程當中，FCN沒有充分考慮到像素間的聯系，缺少空間一致性。Vijay等人于2015年提出SegNet(Semantic Segmentation)算法，該算法將大池化指數轉移至解碼器中，改善了分割分辨率。在FCN網絡中，通過卷積層和一些跳躍連接產生了粗糙的分割圖，為了提升效果而引入了更多的跳躍連接。然而，FCN僅僅復制了編碼器特征，而SegNet復制了最大池化指數，這使得在內存使用上，SegNet比FCN更為高效。

Ronneberger等人提出的U-Net將淺層語義信息與深層語義信息相結合，使用Encoder與Decoder架構對于醫療圖像進行分割，但是其特征提取的部分并不好。Yu等人于2016年提出了空洞卷積層(DilatedConvolutions)，在不降低空間維度的前提下增大了相應的感受野指數。在接下來將提到的DeepLab中，空洞卷積被稱為多孔卷積(AtrousConvolution)。從預訓練好的分類網絡中(這里采用VGG，Visual Geometry GroupNetwork)移除最后兩個池化層，而用空洞卷積取代了隨后的卷積層。DeepLabV2和V3中使用了空洞卷積，并且在空間維度上實現金字塔型的空洞池化ASPP(Atrous Spatial PyramidPooling)，同時使用了全連接條件隨機場，空洞卷積在不增加參數量的情況下增大了感受野。