[發明專利]一種基于多尺度和注意力的醫學圖像分割方法

在審

• 申請號: 202111504413.X
• 申請日: 2021-12-10
• 公開（公告）號: CN114359292A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 鄒艷妮;王澤坤;劉小平;吳德道
• 申請（專利權）人: 南昌大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 王煥巧

1.一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，包括以下步驟：

步驟1：獲取醫學圖像，對其進行預處理，并劃分數據集；

步驟2：構建二維網絡模型，將經過預處理的數據送入網絡中進行訓練；

步驟3：通過優化損失函數調整模型到最優效果；

步驟4：將用于評估模型性能的相應的醫學圖像送入調整好參數的網絡模型中，得到預測的分割結果，并與真實標簽對比。

2.根據權利要求1所述的一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，所述步驟1中，若獲取的醫學圖像為三維圖像，則在軸位方向重采樣置1mm，并切成二維切片；若為二維圖像，這一步則不做處理；若獲取的醫學圖像為灰度圖，則實施直方圖均衡算法增強圖像對比度；若為彩色圖像，這一步則不做處理；經過這兩步處理后，對圖像進行歸一化操作，使得送入到網絡中的圖片像素均值為0，方差為1，并采用在線數據增強的方式增加數據多樣性，包括隨機旋轉和隨機翻轉；另外，按照8：1：1的比例把數據集劃分為訓練集、驗證集和測試集。

3.根據權利要求1所述的一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，所述步驟2中，二維網絡模型包含1個編碼支和1個解碼支，編碼支和解碼支通過通道注意力模塊相連接。

4.根據權利要求3所述的一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，所述的編碼支包含4個下采樣殘差模塊和1個混合空洞注意力模塊，所述的解碼支包含4個上采樣殘差模塊。

5.根據權利要求4所述的一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，所述的下采樣模殘差模塊是由2個3×3的卷積層構成的小結構塊，對每一個卷積層都采用殘差學習，每個卷積層后面都有一個批量歸一化層，一個ReLU非線性層，每個小結構塊后面再跟上一個采樣步驟為2的池化核大小為2×2的最大池化層用來下采樣；在每次下采樣的過程中，將特征層的層數翻倍，初始通道數為32；然后連接所述的混合空洞注意力模塊匯總全局信息并生成編碼支的輸出；

所述的混合空洞注意力模塊包含3個不同空洞率的瓶頸空洞模塊和1個通道注意力模塊；

所述的上采樣殘差模塊包含1個2×2的反卷積層用來實現上采樣操作，每一次上采樣操作，都會使得特征層的數量減半，反卷積層后面連接著2個采用殘差學習3×3的卷積層，每個卷積層后面都有一個批量歸一化層，一個ReLU非線性層。

6.根據權利要求3所述的一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，所述的通道注意力模塊有三個分支K，Q，V，首先將輸入特征圖I∈R^C*H*W進行整型，將I分別整型為特征圖K∈R^C*(H*W)，特征圖Q∈R^(H*W)*C，同時形成分支K和分支Q，之后讓K,Q之間執行矩陣相乘操作，除以因子最后應用Softmax層來獲得；通道特征圖A∈R^C*C；分支V通過特征圖I經過全局平均池化形成特征圖V∈R^C*1*1，V經過整形后，得到V’∈R^C*1*1，讓A和V’執行矩陣乘法，將結果整型為R^C*1*1后，再乘以比例參數γ，并用I進行逐元素求和運算以獲得最終輸出O∈R^C*H*W。

7.根據權利要求5所述的一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，所述的瓶頸空洞模塊的結構為3個帶有殘差連接的卷積，分別是1個1×1的卷積，1個3×3的空洞卷積，1個1×1的卷積，3個瓶頸空洞模塊包含的空洞卷積的空洞率為2，3，5。

8.根據權利要求1所述的一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，所述步驟3中，損失函數為帶權重的交叉熵損失，公式表達如下：

其中表示體素n屬于c類的概率，表示體素n的權重，表示體素n的真值標簽。

9.根據權利要求1所述的一種基于多尺度和注意力的醫學圖像分割方法，其特征在于，所述步驟4中，評價指標包括Dice系數Dice，準確性AC，精確率Pre，靈敏度SE，特異度SP，具體的公式如下所示：

其中，FP、FN、TP、TN分別為假陽性、假陰性、真陽性、真陰性。