一种医学影像小病灶分割方法技术

本发明专利技术公开了一种医学影像小病灶分割方法,包括由粗略分割第一阶段、细化第二阶段和分割错误区域的注意力模块构成分割网络，在第一阶段的训练中使用五折交叉验证；在交叉验证期间，训练集的每个样本都将包含在验证集中，所有样本都有机会被视为验证集的数据并在相应训练集上训练的模型上进行测试；然后将第一阶段预测的结果与真实分割的结果进行比较，得到的差异就反应了模型难以预测的部分，将不匹配信息作为第二阶段的监督；在第二阶段将信息增强特征输入到DA模块中，使用注意力机制，从而加强网络的分割精度。

【技术实现步骤摘要】
一种医学影像小病灶分割方法
本专利技术属于计算机视觉的语义分割领域，涉及一种医学影像小病灶分割方法。
技术介绍
语义分割算法：语义分割算法是针对图像上每一个像素的分类，是像素级别的问题，因此在训练集中需要对图像的每个像素附加一个标签。用公式来表示即为：从标签空间L＝{l1,l2,l3,…,lk}表示一组随机变量X＝{x1,x2,x3,…,xN}。每个标签l表示不同的类或对象，例如，飞机、汽车、交通标志等。这个标记空间具有k个可能的状态，这些状态通常扩展到k+1个，并将l和0作为背景或空类。x表示图像的像素，像素个数为N。目前应用广泛的语义分割网络都是基于FCN来进行改进的。FCN网络利用CNNs在图像上的强大学习能力提出了一个全卷积化概念，将现有的一些常用分类深度网络模型如VGG16、GoogLeNet等网络的全连接层全部用卷积层来替代，这样做的好处最终输出的结果是一张图片而不是一维向量，实现了端对端的语义分割；其次，通过去除全连接层能实现任意大小图片的输入，从而保证输入与输出图片大小相等。由于卷积层后接有池化层，池化层又称下采样层，会对图片的本文档来自技高网...

【技术保护点】
1.一种医学影像小病灶分割方法,其特征在于：包括由粗略分割第一阶段、细化第二阶段和分割错误区域的注意力模块构成分割网络，所述分割网络如下步骤实现医学影像小病灶分割：/nS1，所述第一阶段网络将采样处理后的原始图像进行五折交叉验证的方式训练获得每一个训练数据的分割结果；/nS2，将第一阶段网络获得的预测分割结果与真实的分割结果进行对比生成网络预测出错的区域；/nS3,对所述网络预测错误的区域信息进行增强；使预测错误的区域更容易被学习；/nS4，所述第二阶段的网络对裁剪后的原始图像进行训练与结合分割错误区域的注意力模块获得分割病变区域的网络模型。/n

【技术特征摘要】
1.一种医学影像小病灶分割方法,其特征在于：包括由粗略分割第一阶段、细化第二阶段和分割错误区域的注意力模块构成分割网络，所述分割网络如下步骤实现医学影像小病灶分割：
S1，所述第一阶段网络将采样处理后的原始图像进行五折交叉验证的方式训练获得每一个训练数据的分割结果；
S2，将第一阶段网络获得的预测分割结果与真实的分割结果进行对比生成网络预测出错的区域；
S3,对所述网络预测错误的区域信息进行增强；使预测错误的区域更容易被学习；
S4，所述第二阶段的网络对裁剪后的原始图像进行训练与结合分割错误区域的注意力模块获得分割病变区域的网络模型。


2.根据权利要求1所述的一种医学影像小病灶分割方法，其特征在于：所述分割错误区域的注意力模块通过如下步骤实现分割病变区域的网络模型：
2.1将增强后的分割错误区域输...

【专利技术属性】
技术研发人员：党萌，万亮，陈峙灏，冯伟，张亚平，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12