[發明專利]一種逐步精細的醫學圖像分割系統

在審

• 申請號: 202210098869.9
• 申請日: 2022-01-24
• 公開（公告）號: CN114419056A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 唐述;張國力
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

1.一種逐步精細的醫學圖像分割系統，其特征在于：包括輸入模塊、編碼器模塊、解碼器模塊、拼接形變解碼器模塊、并行注意力機制模塊和輸出模塊；

所述輸入模塊用于將醫學圖像輸入編碼器模塊中；

所述編碼器模塊用于對輸入的醫學圖像進行特征提取；

所述解碼模塊用于根據提取的特征圖獲得多尺度的醫學圖像分割結果；

所述拼接形變解碼器模塊用于自適應地逐步融合多尺度特征信息，并自適應的選擇最佳的感受野，搜索出潛在的不同形狀和尺寸的前景目標；

并行注意力機制模塊用于在特征圖中同時引入正注意力和逆注意力，正注意力用于增強前景的相關性特征，逆注意力則逐步挖掘邊界信息和增強邊界細節；

所述輸出模塊用于輸出分割后的圖像結果。

2.根據權利要求1所述的逐步精細的醫學圖像分割系統，其特征在于：所述拼接形變解碼器模塊是將編碼器模塊的最后三個尺度的特征與可形變卷積結合到一起；首先利用拼接操作逐步融合編碼器模塊的最后三個尺度的深層語義特征，然后結合三個大小為3x3的可形變卷積層，根據病灶區域的形狀來自適應的改變其感受野，集中提取出完整的病灶區域特征信息，搜索出潛在的不同形狀和尺寸的前景病灶目標；具體過程如下：

其中F_DConv表示三個大小為3x3的可形變卷積層，F_Conv表示一個大小為1x1的卷積層，F_C表示拼接函數，表示通過雙線性插值的方式進行2倍上采樣，f₃、f₄以及f₅為輸入的特征值，Y表示經過CDD輸出的特征圖。

3.根據權利要求1所述的逐步精細的醫學圖像分割系統，其特征在于：還包括：將拼接形變解碼器模塊解碼輸出的特征輸入到一個大小為1x1的卷積層生成粗略的分割結果，用以全局引導后續的精細化準確分割。

4.根據權利要求1所述的逐步精細的醫學圖像分割系統，其特征在于：所述并行注意力機制模塊的實現具體包括：

將高級語義特征{f_i,i＝3,4,5}沿通道方向分成8組，并復制得到兩份分組，將其中一份的每一組特征拼接正注意力，另一份的每一組特征拼接逆注意力，然后分別用卷積融合，最后與輸入的高級語義特征殘差連接；

通過以下公式將f_i特征均分8組：

F_S(f_i)→{f_i，1,...,f_i,j,...,f_i,8}

其中F_S表示沿通道方向的切片函數，f_i表示由ResNet34提取的特征，i∈{3,4,5}，f_i,j表示將f_i切片得到的特征，j∈{1,...,8}；

用正注意力計算逆注意力的公式如下：

r_k＝1-Sigmod(c_k)

首先用Sigmod函數將正注意力映射到(0,1)，然后使用1減去Sigmod函數輸出值得到逆注意力；其中c_k表示預測結果，也就是正注意力，r_k表示計算得到的逆注意力，k∈{4,5,6}；

融合并行注意力特征的公式如下：

Y_i＝f_i+F_Conv[F_C({f_i，1,r_k},...,{f_i,j,r_k},...,{f_i,8,r_k})]+F_Conv[F_C({f_i，1,c_k},...,{f_i,j,c_k},...,{f_i,8,c_k})]

同時利用殘差連接融合輸入特征，其中F_Conv表示一個大小為3x3的卷積，F_C表示沿通道方向的拼接函數。