[發(fā)明專利]基于級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)的結(jié)腸息肉分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210609169.1
• 申請(qǐng)日: 2022-05-31
• 公開（公告）號(hào): CN114897870A
• 公開（公告）日: 2022-08-12
• 發(fā)明（設(shè)計(jì)）人: 李蘭蘭;張孝輝;鄧珂;王大彪
• 申請(qǐng)（專利權(quán)）人: 福州大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/10;G06T5/50;G06T9/00;G06N3/04;G06N3/08
• 代理公司: 福州元?jiǎng)?chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 郭東亮;蔡學(xué)俊

本發(fā)明提出基于級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)的結(jié)腸息肉分割方法，包括由相似的第一級(jí)編解碼網(wǎng)絡(luò)、第二級(jí)編解碼網(wǎng)絡(luò)順序串聯(lián)成的級(jí)聯(lián)結(jié)構(gòu)，其前一級(jí)網(wǎng)絡(luò)得到息肉分割概率圖，后一級(jí)網(wǎng)絡(luò)優(yōu)化前一級(jí)網(wǎng)絡(luò)的結(jié)果，給予前一級(jí)網(wǎng)絡(luò)分類錯(cuò)誤的像素重新學(xué)習(xí)的機(jī)會(huì)；在前一級(jí)網(wǎng)絡(luò)和后一級(jí)網(wǎng)絡(luò)間設(shè)置編碼端的反向注意力模塊RA，用于使后一級(jí)網(wǎng)絡(luò)重新學(xué)習(xí)前一級(jí)網(wǎng)絡(luò)忽略的特征；所述級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)CSAMNet還內(nèi)嵌有可學(xué)習(xí)不同尺寸息肉的多尺度特征的多尺度特征聚合模塊MFAM，用于增強(qiáng)級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)對(duì)圖像中不同尺寸息肉區(qū)域的適應(yīng)能力；本發(fā)明能在識(shí)別過程中適應(yīng)結(jié)腸鏡圖像中息肉和結(jié)腸組織對(duì)比度低、息肉尺寸變化大的圖像特點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域和計(jì)算機(jī)視覺領(lǐng)域的技術(shù)領(lǐng)域，本發(fā)明提出了基于級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)的結(jié)腸息肉分割方法。

背景技術(shù)

結(jié)腸癌是消化系統(tǒng)常見癌癥，在癌癥發(fā)病率中排名前三，為人們的健康帶來了危害，為社會(huì)帶來了經(jīng)濟(jì)負(fù)擔(dān)。結(jié)腸癌早期可治愈，且存活率高。通常結(jié)腸癌是由結(jié)腸息肉演變過來的，發(fā)現(xiàn)和及時(shí)切除結(jié)腸息肉可實(shí)現(xiàn)結(jié)腸癌的早期治療。目前結(jié)腸鏡是篩查結(jié)腸息肉的有效方式，但是結(jié)腸鏡的檢查需要醫(yī)生具有良好的經(jīng)驗(yàn)，且長時(shí)間的檢查會(huì)導(dǎo)致醫(yī)生疲勞。設(shè)計(jì)一種結(jié)腸自動(dòng)息肉分割算法作為臨床輔助手段可緩解以上問題。

近些年隨著深度學(xué)習(xí)的發(fā)展，在醫(yī)學(xué)圖像領(lǐng)域也得到了科研工作者的青睞，在結(jié)腸鏡圖像中也涌現(xiàn)了很多基于深度學(xué)習(xí)的息肉分割算法。如，在2018年，Akbari,Mojtaba等人[1]中基于FCN-8S分割出候選的息肉區(qū)域。文中使用后處理的方式降低假陽性率，在后期處理的第一階段使用Otsu thresholding將FCN-8S生成的概率圖轉(zhuǎn)換成二值圖像，然后找到最大的連通分量的區(qū)域作為結(jié)腸鏡圖像中最可能出現(xiàn)息肉的位置。同年，Xiao,Wei-Ting等人[2]基于DeepLabV3檢測息肉的位置，由于該網(wǎng)絡(luò)結(jié)構(gòu)比較大，網(wǎng)絡(luò)底層的位置信息在傳輸?shù)臅r(shí)候容易丟失，所以在網(wǎng)絡(luò)中引入了能夠長時(shí)間保存重要信息的長短期記憶[3]。在2020年，Zhong,Jiafu等人[4]中提出了PolypSeg網(wǎng)絡(luò)包含自適應(yīng)尺度上下文模塊(Adaptive Scale Context Module，ASCM)和語義全局上下文模塊(Semantic GlobalContext Module，SGCM)這兩個(gè)關(guān)鍵的模塊。ASCM聚合了多尺度的語義信息并且使用注意力機(jī)制讓網(wǎng)絡(luò)專注于目標(biāo)區(qū)域，提升了特征表征能力。SGCM豐富了底層特征的語義信息，抑制了底層特征中的背景噪聲，且增強(qiáng)了高級(jí)與低級(jí)特征的特征融合。

盡管以上深度學(xué)習(xí)的方法取得了一些成果，但是可以發(fā)現(xiàn)目前基于深度學(xué)習(xí)的結(jié)腸息肉分割算法較多是其它任務(wù)語義分割方法的遷移使用，還有一些算法是針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)來設(shè)計(jì)的。但是較少有根據(jù)結(jié)腸鏡圖像的特點(diǎn)設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)算法，所以現(xiàn)存大多數(shù)息肉分割算法還是不能適應(yīng)結(jié)腸鏡圖像中息肉和結(jié)腸組織對(duì)比度低，息肉尺寸變化大這些特點(diǎn)，因此阻礙了現(xiàn)存方法性能的提升。

發(fā)明內(nèi)容

本發(fā)明提出基于級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)的結(jié)腸息肉分割方法，能在識(shí)別過程中適應(yīng)結(jié)腸鏡圖像中息肉和結(jié)腸組織對(duì)比度低、息肉尺寸變化大的圖像特點(diǎn)。

本發(fā)明采用以下技術(shù)方案。

基于級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)的結(jié)腸息肉分割方法，用于分割結(jié)腸鏡圖像中的結(jié)腸息肉區(qū)域，所述級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)CSAMNet包括由相似的第一級(jí)編解碼網(wǎng)絡(luò)、第二級(jí)編解碼網(wǎng)絡(luò)順序串聯(lián)成的級(jí)聯(lián)結(jié)構(gòu)，其前一級(jí)網(wǎng)絡(luò)得到息肉分割概率圖，后一級(jí)網(wǎng)絡(luò)優(yōu)化前一級(jí)網(wǎng)絡(luò)的結(jié)果，給予前一級(jí)網(wǎng)絡(luò)分類錯(cuò)誤的像素重新學(xué)習(xí)的機(jī)會(huì)；在前一級(jí)網(wǎng)絡(luò)和后一級(jí)網(wǎng)絡(luò)間設(shè)置連接前一級(jí)網(wǎng)絡(luò)的解碼端和后一級(jí)網(wǎng)絡(luò)的編碼端的反向注意力模塊RA，用于使后一級(jí)網(wǎng)絡(luò)重新學(xué)習(xí)前一級(jí)網(wǎng)絡(luò)忽略的特征；所述級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)CSAMNet還內(nèi)嵌有可學(xué)習(xí)不同尺寸息肉的多尺度特征的多尺度特征聚合模塊MFAM，用于增強(qiáng)級(jí)聯(lián)結(jié)構(gòu)注意力機(jī)制網(wǎng)絡(luò)對(duì)圖像中不同尺寸息肉區(qū)域的適應(yīng)能力。