[發明專利]一種基于聚焦融合的上下文學習醫學圖像分割方法

在審

• 申請號: 202011503406.3
• 申請日: 2020-12-18
• 公開（公告）號: CN112529930A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 王如心;李燁
• 申請（專利權）人: 深圳先進技術研究院
• 主分類號: G06T7/194
• 分類號: G06T7/194;G06T7/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 耿慧敏

1.一種基于聚焦融合的上下文學習醫學圖像分割方法，包括以下步驟：

對原始圖像數據進行預處理；

將預處理的圖像數據輸入到經訓練的卷積神經網絡進行特征提取，其中所述卷積神經網絡的編碼網絡包含多個編碼階段并且每個編碼階段依次連接自動聚焦模塊和全景聚合模塊，所述卷積神經網絡的解碼網絡順序地解碼編碼階段的特征并生成對應的解碼特征，其中所述自動聚焦模塊用于同級編碼特征的多尺度上下文信息挖掘，所述全景聚合模塊用于聚合來自不同編碼階段的跨層級編碼特征。

2.根據權利要求1所述的方法，其特征在于，所述自動聚焦模塊執行以下步驟：

對每一編碼階段的編碼特征分別進行定義的多級變換操作，得到對應的特征圖，表示為：

其中，表示定義的一系列連續的變換操作，表示對應的參數，f_i表示編碼階段i的編碼特征，表示f_i經第t個變換后得到的特征圖。

3.根據權利要求2所述的方法，其特征在于，所述自動聚焦模塊在同級編碼過程中采用雙向門控上下文聚合實現所述自動聚合同級階段的多級編碼映射中的特征，計算公式為：

其中和表示三個門，用來自適應的選擇通過的流信息，σ表示sigmoid激活函數，表示逐像素相乘，表示一個1x1的卷積層，表示對應的卷積參數，是上下文控制器，是存儲器。

4.根據權利要求3所述的方法，其特征在于，所述雙向門控上下文聚合是雙向的聚合過程，表示為：

其中表示前向整合過程的輸出特征，表示逆向整合過程的輸出特征，F_i，AM表示自動聚焦模塊同級雙向整合后的特征輸出。

5.根據權利要求1所述的方法，其特征在于，所述全景聚合模塊執行以下步驟：

拼接聚合各編碼階段的特征得到全局上下文信息Z；

運用注意力機制指導該全局的上下文信息進入每一編碼階段的編碼特征，以通過全局信息補充每一編碼階段的信息，表示為：

其中，表示自注意力機制，AvgPool表示全局平均池化操作，σ表示sigmoid激活函數，F_i，AM表示編碼階段i的經自動聚焦模塊后的編碼特征，θ_i，Z表示對應的參數，表示拼接過程；

全景聚合模塊整合不同編碼階段的編碼特征聚合到當前階段，表示為：

r_i＝1-σ(F_i，AM)

其中，r_i表示門函數用來選擇性的控制信息的傳遞，表示逐像素相乘，表示跨級的特征聚合單元，F_i，PM表示第i階段全景聚合模塊的輸出特征圖。

6.根據權利要求1所述的方法，其特征在于，所述解碼網絡基于結構一致性校正生成解碼特征，執行以下步驟：

產生初始的預測分割結果；

在網絡訓練過程中，通過距離變換將預測分割結果和對應的真實分割模板這一對二值圖像均分別進行如下變換：

其中，s_l表示像素l的預測值或真實值，l_x和l_y表示像素l的空間位置，k_x和k_y表示距離像素l最近的背景像素k的空間位置，dist_M(l，k)表示像素l和k之間的距離，I_fg表示圖像中的前景像素集合，I_bg表示圖像中的背景像素集合；

利用KL散度約束預測分割結果距離變換后的圖像和對應真實分割模板的距離變換后的圖像之間的分布一致性。

7.根據權利要求6所述的方法，其特征在于，所述產生初始的預測分割結果包括：

所述解碼網絡順序地解碼編碼階段的特征并生成對應的解碼特征D_i；

通過上采樣和softmax激活得到初始的預測分割結果。