一种基于对偶注意力机制的CT肾脏区域级联分割方法技术

本发明专利技术公开了一种基于对偶注意力机制的CT肾脏区域级联分割方法，包括如下步骤：S101、对原始CT图片进行预处理操作，获得训练数据集；S102、设计三维对偶注意力机制模块，充分提取完备的特征信息；S103、构建三维对偶注意力模块驱动的CT图像肾脏感兴趣区域级联分割网络；S104、设计级联分割网络的损失函数，并学习网络参数；S105、将S101得到的训练数据下采样一倍作为输入，送入S103的级联分割网络的第一级粗分割网络；把第一级粗分割网络的结果上采样一倍，与原始输入的训练数据融合后送入第二级细分割网络学习，并获得最终分割结果。本发明专利技术可以显著提高对肾脏及其感兴趣区域的分割精度。精度。精度。

【技术实现步骤摘要】
一种基于对偶注意力机制的CT肾脏区域级联分割方法


[0001]本专利技术属于图像信息处理
，具体涉及一种基于对偶注意力机制的CT肾脏区域级联分割方法。

技术介绍

[0002]医学图像语义分割也是计算机视觉中的一个重要研究方向。近年来，随着深度学习技术的发展，基于深度学习的语义分割方法在自然图像特征提取和分割精度上都取得长足的进步，这使得基于深度学习的语义分割方法在医学影像中也得到广泛的关注和应用。当前基于深度学习的语义分割方法主要采用数据驱动的学习方式，在损失函数约束下，对设计的分割网络进行训练，使其能够直接从训练数据中提取有用的特征信息，进而能够实现对目标自动分割。如何设计有效的分割网络模型是需要研究的一个重要问题。

技术实现思路

[0003]本专利技术针对现有技术中，当前CT图像中肾脏及其感兴趣区域形状复杂，感兴趣区域体积小、样本数少等问题，提供一种基于对偶注意力机制的CT肾脏区域级联分割方法。本专利技术引入注意力机制的思想，通过设计三维对偶注意力机制去学习完备的特征表示，来实现对CT肾脏和肾脏感兴趣区域的精确分割。
[0004]为实现上述目的，本专利技术采用以下技术方案：一种基于对偶注意力机制的CT肾脏区域级联分割方法，包括如下步骤：
[0005]S101、对原始CT图片进行预处理操作，获得训练数据集；
[0006]S102、设计三维对偶注意力机制模块，充分提取完备的特征信息；
[0007]S103、构建三维对偶注意力模块驱动的CT图像肾脏感兴趣区域级联分割网络；
[0008]S104、设计级联分割网络的损失函数，并学习网络参数；
[0009]S105、将S101得到的训练数据下采样一倍作为输入，送入S103的级联分割网络的第一级粗分割网络；把第一级粗分割网络的结果上采样一倍，与原始输入的训练数据融合后送入第二级细分割网络学习，并获得最终分割结果。
[0010]为优化上述技术方案，采取的具体措施还包括：
[0011]进一步地，步骤S101中的预处理操作包括对原始CT图像灰度窗调节、格式转换、图像增强。
[0012]进一步地，步骤S102中三维对偶注意力机制模块包括，将主干通路与三维对偶通路进行耦合处理，通过三维对偶通路获取主路径的互补信息；当主干通路对感兴趣区域特别是小尺度的感兴趣区域存在漏检时，三维对偶通路通过取反操作，提取特征图中的互补信息。
[0013]进一步地，步骤S103中，级联分割网络包括两级，第一级为粗分割网络，第二季为细分割网络。
[0014]进一步地，步骤S103中，三维对偶注意力机制模块驱动的CT图像肾脏感兴趣区域
级联分割网络包括，三维对偶注意力驱动的3D编解码网络；该3D编解码网络包括编码器与解码器两个部分，编码器部分通过下采样操作形成多尺度的特征表达，解码器部分通过多次上采样操作将特征分辨率提升到原CT图像的分辨率，进而实现像素级的语义分割。
[0015]进一步地，编码器中每个分辨率尺度特征处理的基本模式为：特征下采样后输入残差模块进行卷积处理，在残差模块中对输入的特征进行三次3
×3×
3卷积处理，并通过残差连接和残差模块输入相加后作为输出。
[0016]进一步地，在编码器与解码器建立跳层连接，将图像信息传递至同尺度的解码层；将DAM模块输出的特征与解码器特征按通道串接后，通过CDRn操作处理后调整通道数，并与残差连接传递的解码器特征进行求和融合，生成最终的语义分割结果。
[0017]进一步地，在粗分割网络中采用跨尺度特征融合模块，将编码器的最低分辨率的高级语义特征和最顶层的高分辨低级语义特征图进行融合，为第二级网络提供准确的上下文信息。
[0018]进一步地，步骤S104具体包括，选择Dice损失函数作为损失函数，级联分割网络中每一级网络都由Dice损失函数来优化。
[0019]本专利技术的有益效果是：本专利技术利用医学图像语义分割理论，建立一种基于对偶注意力机制的CT肾脏区域级联分割方法，模型在图像训练样本少的情况下，利用级联网络的学历能力，初步提取原始图像信息，同时，利用设计的三维对偶注意力模型，进一步增强网络学习的能力，使得网络可以学习到更好的带分割目标的信息，实现对肾脏和肾脏感兴趣区域精确分割的目的。
附图说明
[0020]图1是本专利技术提供的基于对偶注意力机制的CT肾脏区域级联分割方法的网络结构图。
[0021]图2是本专利技术所构建的级联网络中每个全卷积网络结构示意图。
[0022]图3是本专利技术所构建的三维对偶注意力机制模块的结构示意图。
[0023]图4是本专利技术实施例中经典的分割网络3D-UNet、3D-VNet、MS-FCN与采用本专利技术的算法对于肾脏区域数据集CT切片分割结果的可视化结果对照图。
[0024]图5是本专利技术实施例中3D-UNet、3D-VNet、MS-FCN网络以及本专利技术方法，对验证集中肾脏感兴趣区域数据集CT切片分割结果的可视化结果对照图。
[0025]图6是应用本专利技术方法的肾脏的三维重建可视化结果图。
[0026]图7是应用本专利技术方法的肾脏感兴趣区域的三维重建可视化结果图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]为了解决上述技术问题，本专利技术提供了一种基于对偶注意力机制的CT肾脏区域级联分割方法，如图1所示，包括：
[0029]S101、对原始CT图片进行预处理操作，获得训练数据集。
[0030]S101具体包括：对原始CT图像进行预处理操作，这其中包括以下操作，对原始CT图像灰度窗调节、格式转换、图像增强等。
[0031]S102、设计三维对偶注意力机制模块充分提取完备的特征信息。
[0032]S102具体包括：
[0033]注意力机制是提升网络特征表达能力的一种重要方式，为了充分提取完备的特征信息，本专利技术提出了三维对偶注意力模块(Three-Dimensional Dual attention Module，3DAM)，如图3所示，在主干通路(Trunk Path)的基础上引入三维对偶通路(Dual Path)，通过三维对偶通路获取主路径的互补信息。当主干通路对目标区域特别是小尺度的目标存在漏检时，三维对偶通路通过取反操作，提取特征图中互补信息(原来的目标区域之外的图像)，获得更完备的特征表示，提升分割精度。消融实验的结果也表明，本专利技术的三维对偶注意力模块可以能够显著提升肾脏与肾脏肿瘤的分割准确性。
[0034]记三维对偶注意力模块的原始输入为U∈R
H
×
W
×
D
×
C
其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对偶注意力机制的CT肾脏区域级联分割方法，其特征在于，包括如下步骤：S101、对原始CT图片进行预处理操作，获得训练数据集；S102、设计三维对偶注意力机制模块，充分提取完备的特征信息；S103、构建三维对偶注意力模块驱动的CT图像肾脏感兴趣区域级联分割网络；S104、设计级联分割网络的损失函数，并学习网络参数；S105、将S101得到的训练数据下采样一倍作为输入，送入S103的级联分割网络的第一级粗分割网络；把第一级粗分割网络的结果上采样一倍，与原始输入的训练数据融合后送入第二级细分割网络学习，并获得最终分割结果。2.如权利要求1所述的级联分割方法，其特征在于，步骤S101中的预处理操作包括对原始CT图像灰度窗调节、格式转换、图像增强。3.如权利要求1所述的级联分割方法，其特征在于，步骤S102中三维对偶注意力机制模块包括，将主干通路与三维对偶通路进行耦合处理，通过三维对偶通路获取主路径的互补信息；当主干通路对感兴趣区域特别是小尺度的感兴趣区域存在漏检时，三维对偶通路通过取反操作，提取特征图中的互补信息。4.如权利要求1所述的级联分割方法，其特征在于，步骤S103中，级联分割网络包括两级，第一级为粗分割网络，第二季为细分割网络。5.如权利要求4所述的级联分割方法，其特征在于，步骤S103中，三维对偶注意力机制模...

【专利技术属性】
技术研发人员：孙玉宝，辛宇，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：