[發明專利]一種基于對偶注意力機制的CT腎臟區域級聯分割方法

有效

• 申請號: 202011199922.1
• 申請日: 2020-10-30
• 公開（公告）號: CN112258526B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 孫玉寶;辛宇
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06V10/25;G06V10/80;G06V10/82;G06N3/045;G06N3/08;G06T19/20
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

本發明公開了一種基于對偶注意力機制的CT腎臟區域級聯分割方法，包括如下步驟：S101、對原始CT圖片進行預處理操作，獲得訓練數據集；S102、設計三維對偶注意力機制模塊，充分提取完備的特征信息；S103、構建三維對偶注意力模塊驅動的CT圖像腎臟感興趣區域級聯分割網絡；S104、設計級聯分割網絡的損失函數，并學習網絡參數；S105、將S101得到的訓練數據下采樣一倍作為輸入，送入S103的級聯分割網絡的第一級粗分割網絡；把第一級粗分割網絡的結果上采樣一倍，與原始輸入的訓練數據融合后送入第二級細分割網絡學習，并獲得最終分割結果。本發明可以顯著提高對腎臟及其感興趣區域的分割精度。

技術領域

本發明屬于圖像信息處理技術領域，具體涉及一種基于對偶注意力機制的CT腎臟區域級聯分割方法。

背景技術

醫學圖像語義分割也是計算機視覺中的一個重要研究方向。近年來，隨著深度學習技術的發展，基于深度學習的語義分割方法在自然圖像特征提取和分割精度上都取得長足的進步，這使得基于深度學習的語義分割方法在醫學影像中也得到廣泛的關注和應用。當前基于深度學習的語義分割方法主要采用數據驅動的學習方式，在損失函數約束下，對設計的分割網絡進行訓練，使其能夠直接從訓練數據中提取有用的特征信息，進而能夠實現對目標自動分割。如何設計有效的分割網絡模型是需要研究的一個重要問題。

發明內容

本發明針對現有技術中，當前CT圖像中腎臟及其感興趣區域形狀復雜，感興趣區域體積小、樣本數少等問題，提供一種基于對偶注意力機制的CT腎臟區域級聯分割方法。本發明引入注意力機制的思想，通過設計三維對偶注意力機制去學習完備的特征表示，來實現對CT腎臟和腎臟感興趣區域的精確分割。

為實現上述目的，本發明采用以下技術方案：一種基于對偶注意力機制的CT腎臟區域級聯分割方法，包括如下步驟：

S101、對原始CT圖片進行預處理操作，獲得訓練數據集；

S102、設計三維對偶注意力機制模塊，充分提取完備的特征信息；

S103、構建三維對偶注意力模塊驅動的CT圖像腎臟感興趣區域級聯分割網絡；

S104、設計級聯分割網絡的損失函數，并學習網絡參數；

S105、將S101得到的訓練數據下采樣一倍作為輸入，送入S103的級聯分割網絡的第一級粗分割網絡；把第一級粗分割網絡的結果上采樣一倍，與原始輸入的訓練數據融合后送入第二級細分割網絡學習，并獲得最終分割結果。

為優化上述技術方案，采取的具體措施還包括：

進一步地，步驟S101中的預處理操作包括對原始CT圖像灰度窗調節、格式轉換和圖像增強。

進一步地，步驟S102中三維對偶注意力機制模塊包括，將主干通路與三維對偶通路進行耦合處理，通過三維對偶通路獲取主路徑的互補信息；當主干通路對感興趣區域特別是小尺度的感興趣區域存在漏檢時，三維對偶通路通過取反操作，提取特征圖中的互補信息。

進一步地，步驟S103中，級聯分割網絡包括兩級，第一級為粗分割網絡，第二季為細分割網絡。

進一步地，步驟S103中，三維對偶注意力機制模塊驅動的CT圖像腎臟感興趣區域級聯分割網絡包括，三維對偶注意力驅動的3D編解碼網絡；該3D編解碼網絡包括編碼器與解碼器兩個部分，編碼器部分通過下采樣操作形成多尺度的特征表達，解碼器部分通過多次上采樣操作將特征分辨率提升到原CT圖像的分辨率，進而實現像素級的語義分割。

進一步地，編碼器中每個分辨率尺度特征處理的基本模式為：特征下采樣后輸入殘差模塊進行卷積處理，在殘差模塊中對輸入的特征進行三次3×3×3卷積處理，并通過殘差連接和殘差模塊輸入相加后作為輸出。