[發(fā)明專利]一種醫(yī)學(xué)圖像分割方法、系統(tǒng)及電子裝置

在審

• 申請?zhí)枺?/td>: 202310112134.1
• 申請日: 2023-02-14
• 公開（公告）號: CN116228792A
• 公開（公告）日: 2023-06-06
• 發(fā)明（設(shè)計(jì)）人: 鄭健;汪子宇;劉德森;曹玉柱;朱峰;陸文強(qiáng);宋洪
• 申請（專利權(quán)）人: 中國科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所;蘇州九龍醫(yī)院股份有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06N3/048;G06V10/80;G06V10/82
• 代理公司: 北京遠(yuǎn)大卓悅知識(shí)產(chǎn)權(quán)代理有限公司 11369
• 代理人: 徐晨

1.一種醫(yī)學(xué)圖像分割方法，其特征在于，包括以下步驟：

數(shù)據(jù)集預(yù)處理：采集三維醫(yī)學(xué)圖像形成數(shù)據(jù)集，對數(shù)據(jù)進(jìn)行增強(qiáng)處理；

建立U型基線分割網(wǎng)絡(luò)：采用3D?U-Net作為分割的基線網(wǎng)絡(luò)，3D?U-Net網(wǎng)絡(luò)包括編碼階段以及解碼階段，編碼階段由三維卷積層、歸一化層、非線性激活函數(shù)ReLU以及最大池化層組成，采用四層分辨率結(jié)構(gòu)；

構(gòu)建管狀特征提取模塊：通過堆疊圖卷積層，使得圖中的節(jié)點(diǎn)能夠?qū)W習(xí)到與其直接相鄰的鄰域外的信息，讓網(wǎng)絡(luò)能夠從距離當(dāng)前體素較遠(yuǎn)但共享了特征信息的圖像區(qū)域里進(jìn)行學(xué)習(xí)；

構(gòu)建多尺度信息融合模塊：采用三個(gè)不同尺度的空洞卷積來擴(kuò)大感受野并獲得多尺度特征圖，采用特征重校準(zhǔn)層來自動(dòng)獲取每個(gè)通道的權(quán)重，然后依據(jù)權(quán)重去提升有用的特征并抑制對當(dāng)前任務(wù)用處較小的特征；

構(gòu)建邊界引導(dǎo)模塊和空間坐標(biāo)信息特征：通過構(gòu)建邊界引導(dǎo)模塊和空間坐標(biāo)信息特征來充分利用管狀器官區(qū)域的邊界信息和空間位置信息從而引導(dǎo)網(wǎng)絡(luò)更加關(guān)注待分割目標(biāo)的邊界區(qū)域，提升網(wǎng)絡(luò)的分割準(zhǔn)確度；

構(gòu)建自注意力蒸餾模塊：通過構(gòu)建自注意力蒸餾模塊來充分獲取有價(jià)值的上下文信息，并在監(jiān)督信號不足的情況下探索利用自注意力蒸餾本身來充當(dāng)輔助學(xué)習(xí)任務(wù)，提供額外的監(jiān)督信號來輔助訓(xùn)練；

建立管狀器官分割網(wǎng)絡(luò)：在建立好的基線網(wǎng)絡(luò)上，插入管狀特征提取模塊、多尺度信息融合模塊、自注意力蒸餾模塊；

訓(xùn)練管狀器官分割網(wǎng)絡(luò)：將預(yù)處理后的原圖及分割金標(biāo)準(zhǔn)送入整個(gè)網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí)；

分割網(wǎng)絡(luò)自動(dòng)分割出病灶：在網(wǎng)絡(luò)訓(xùn)練好后，保存網(wǎng)絡(luò)權(quán)重，在測試分割網(wǎng)絡(luò)時(shí)只需輸入待測試圖片，分割網(wǎng)絡(luò)會(huì)自動(dòng)根據(jù)測試圖片，分割出病灶。

2.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于：所述構(gòu)建管狀特征提取模塊步驟中，每層圖卷積層的圖卷積運(yùn)算的定義為：

其中，σ(·)是修正后的線性單元激活函數(shù)(ReLU)，X^l∈R^M×N是包含M個(gè)節(jié)點(diǎn)和N個(gè)特征輸入到第l個(gè)GNN層的節(jié)點(diǎn)特征矩陣，可學(xué)習(xí)的GNN卷積的權(quán)重為Z是二進(jìn)制鄰接矩陣，Y是從Z派生的度矩陣，鄰接矩陣在很大程度上是稀疏的，通過將鄰接矩陣處理為稀疏張量，上述的圖卷積運(yùn)算能快速完成。

3.根據(jù)權(quán)利要求2所述的醫(yī)學(xué)圖像分割方法，其特征在于：所述構(gòu)建管狀特征提取模塊步驟中，管狀特征提取模塊的初始特征圖定義為：

X⁰＝f(H)????????????????????????????????(2)

其中H∈R^M×F是從3D?U-Net導(dǎo)出的F維節(jié)點(diǎn)特征矩陣，f(·)具有F個(gè)輸入單元和N個(gè)輸出單元的線性整流單元以及歸一化層。

4.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于：所述構(gòu)建多尺度信息融合模塊中，采用特征重校準(zhǔn)層來自動(dòng)獲取每個(gè)通道的權(quán)重具體為：特征重校準(zhǔn)層首先對輸入的特征圖進(jìn)行全局平均池化實(shí)現(xiàn)空間維度的特征壓縮，生成壓縮特征圖，然后激活特征圖，并為每個(gè)通道的特征圖生成可學(xué)習(xí)的權(quán)重參數(shù)，權(quán)重參數(shù)用來表示不同特征通道的重要性。

5.根據(jù)權(quán)利要求4所述的醫(yī)學(xué)圖像分割方法，其特征在于：依據(jù)權(quán)重去提升有用的特征并抑制對當(dāng)前任務(wù)用處較小的特征具體為：對激活特征圖進(jìn)行廣播操作(broadcasting)恢復(fù)至原始大小，對應(yīng)元素相加后再與原始輸入特征圖逐元素相乘得到重新校準(zhǔn)的特征圖，將提取到的多尺度特征圖與特征重校準(zhǔn)層連接，為來自不同通道的信息按照重要程度賦予不同的權(quán)重，突出有助于分割任務(wù)的通道信息，抑制對于分割任務(wù)沒有幫助的通道信息。

6.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于：所述構(gòu)建邊界引導(dǎo)模塊和空間坐標(biāo)信息特征步驟的網(wǎng)絡(luò)結(jié)構(gòu)為：從提取的淺層特征圖中檢測局部邊界信息，得到邊界特征圖，邊界特征圖經(jīng)過兩個(gè)卷積層后恢復(fù)至原始圖像大小，并與從金標(biāo)準(zhǔn)中得到的邊界圖計(jì)算損失，得到誤差并反向傳播更新特征圖，對邊界特征圖進(jìn)行監(jiān)督，引導(dǎo)網(wǎng)絡(luò)加強(qiáng)對邊界區(qū)域的關(guān)注，幫助網(wǎng)絡(luò)更好地學(xué)習(xí)邊界特征，從原始圖像中提取管狀器官體素的坐標(biāo)，并將坐標(biāo)信息轉(zhuǎn)換為與網(wǎng)絡(luò)大小一致的多通道空間坐標(biāo)信息特征圖。