[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

本發明涉及一種逐步精細的醫學圖像分割系統，屬于圖像分割領域，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；輸入模塊用于將醫學圖像輸入編碼器模塊中；編碼器模塊用于對輸入的醫學圖像進行特征提取；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；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；輸出模塊用于輸出分割后的圖像結果。

技術領域

本發明屬于圖像分割領域，涉及一種逐步精細的醫學圖像分割系統。

背景技術

現有的醫學圖像分割系統主要分為兩類，一類是基于傳統方法的醫學圖像分割系統，該類系統都需要手工設計特征，可以在特定場景下進行有效分割，但在噪聲較大、邊界模糊的醫學圖像上，分割往往不準確，且泛化性較弱。另一類系統是基于深度學習卷積神經網絡的醫學圖像分割系統，得益于卷積神經網絡出色的特征提取能力，該類系統顯著提升了醫學圖像分割的性能。然而，由于醫學圖像中存在的前景與背景邊界模糊、對比度低、以及病灶或器官的形狀、大小、顏色和質地在不同階段變化較大等特性，導致對醫學圖像的準確分割仍然是一個非常具有挑戰性的問題，現有的基于深度學習卷積神經網絡的醫學圖像分割系統仍具有較大的提升空間。

發明內容

有鑒于此，本發明的目的在于提供一種基于卷積神經網絡的逐步精細的醫學圖像分割系統，能夠更準確地捕獲有用的上下文全局語義信息，以及自適應的選擇最佳的感受野，以達到準確搜索出潛在前景目標的目的，同時引入正/逆注意力能夠更準確地提取出病灶區域或器官與背景的邊界信息，即使是在邊界模糊、對比度低、形狀、大小、顏色和質地變化較大的情況下仍能實現醫學圖像中病灶區域或器官的準確分割。

為達到上述目的，本發明提供如下技術方案：

一種逐步精細的醫學圖像分割系統，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(Concatenated Deformed Decoder,CDD)、并行注意力機制模塊(Parallel Attention Module,PAM)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。

進一步，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。