[發明專利]一種醫學影像小病灶分割方法

有效

• 申請號: 202010746276.X
• 申請日: 2020-07-29
• 公開（公告）號: CN111986210B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 黨萌;萬亮;陳峙灝;馮偉;張亞平
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 韓帥

本發明公開了一種醫學影像小病灶分割方法,包括由粗略分割第一階段、細化第二階段和分割錯誤區域的注意力模塊構成分割網絡，在第一階段的訓練中使用五折交叉驗證；在交叉驗證期間，訓練集的每個樣本都將包含在驗證集中，所有樣本都有機會被視為驗證集的數據并在相應訓練集上訓練的模型上進行測試；然后將第一階段預測的結果與真實分割的結果進行比較，得到的差異就反應了模型難以預測的部分，將不匹配信息作為第二階段的監督；在第二階段將信息增強特征輸入到DA模塊中，使用注意力機制，從而加強網絡的分割精度。

技術領域

本發明屬于計算機視覺的語義分割領域，涉及一種醫學影像小病灶分割方法。

背景技術

語義分割算法：語義分割算法是針對圖像上每一個像素的分類，是像素級別的問題，因此在訓練集中需要對圖像的每個像素附加一個標簽。用公式來表示即為：從標簽空間L＝{l₁,l₂,l₃,…,l_k}表示一組隨機變量X＝{x₁,x₂,x₃,…,x_N}。每個標簽l表示不同的類或對象，例如，飛機、汽車、交通標志等。這個標記空間具有k個可能的狀態，這些狀態通常擴展到k+1個，并將l和0作為背景或空類。x表示圖像的像素，像素個數為N。目前應用廣泛的語義分割網絡都是基于FCN來進行改進的。FCN網絡利用CNNs在圖像上的強大學習能力提出了一個全卷積化概念，將現有的一些常用分類深度網絡模型如VGG16、GoogLeNet等網絡的全連接層全部用卷積層來替代，這樣做的好處最終輸出的結果是一張圖片而不是一維向量，實現了端對端的語義分割；其次，通過去除全連接層能實現任意大小圖片的輸入，從而保證輸入與輸出圖片大小相等。由于卷積層后接有池化層，池化層又稱下采樣層，會對圖片的分辨率大小產生影響。為了保證輸入圖片與輸出圖片的大小相等，FCN網絡使用反卷積的方式進行上采樣以維持圖片的分辨率。

注意力機制：注意力機制(Attention Mechanism)源于對人類視覺的研究。在認知科學中，由于信息處理的瓶頸，人類會選擇性地關注所有信息的一部分，同時忽略其他可見的信息。上述機制通常被稱為注意力機制。人類視網膜不同的部位具有不同程度的信息處理能力，即敏銳度(Acuity)，只有視網膜中央凹部位具有最強的敏銳度。為了合理利用有限的視覺信息處理資源，人類需要選擇視覺區域中的特定部分，然后集中關注它。例如，人們在閱讀時，通常只有少量要被讀取的詞會被關注和處理。綜上，注意力機制主要有兩個方面：

·決定需要關注輸入的哪部分。

·分配有限的信息處理資源給重要的部分。

在計算機視覺領域，注意力機制被引入來進行視覺信息處理。注意力是一種機制，或者方法論，并沒有嚴格的數學定義。比如，傳統的局部圖像特征提取、顯著性檢測、滑動窗口方法等都可以看作一種注意力機制。在神經網絡中，注意力模塊通常是一個額外的神經網絡，能夠硬性選擇輸入的某些部分，或者給輸入的不同部分分配不同的權重。

計算機視覺的研究領域的一大熱點研究課題是語義分割，而針對3D圖像的語義分割在醫療圖像領域取得了長足的發展。3D醫療圖像的語義分割一般是將3D的CT或MRI圖像進行逐像素的分類，從而達到分割病灶區域或器官的目的。

參考文獻

[1]Long J,Shelhamer E,Darrell T.Fully convolutional networks forsemantic segmentation[C]//Proceedings of the IEEE conference on computervision and pattern recognition.2015:3431-3440.