基于注意力机制的CT影像肺叶图像分割系统技术方案

一种基于注意力机制的CT影像肺叶图像分割系统，包括：前景预处理模块、显著性特征分析模块、形态特征提取模块、分割重建模块以及I/O管理模块，本发明专利技术通过显著性区域分割网络提取与肺裂区域相关的图像显著性特征，由此实现肺裂特征空间的定位，该网络基于注意力机制实现高低层语义特征的融合，从而降低模型对无关特征的关注程度，提升肺裂图像检测效率的同时，将三维方向信息与显著性特征融入DoS(Derivative ofStick，窄条微分)滤波过程，以此指导肺裂形态特征的提取，提升肺叶图像分割的准确性。的准确性。的准确性。

【技术实现步骤摘要】
基于注意力机制的CT影像肺叶图像分割系统


[0001]本专利技术涉及的是一种图像处理领域的技术，具体是一种基于注意力机制的CT影像肺叶图像分割系统。

技术介绍

[0002]基于肺裂生理结构的肺叶图像分割技术能够实现不同肺叶内的病灶区域可视化及容积占比计算，从而辅助医生实现病情诊断与监测。现有的肺叶图像分割技术存在以下问题：第一，肺裂结构存在影像学特征表征不明显的问题，特别是在部分CT图层中由于病灶干扰、肺部组织遮挡等因素导致其图像特征识别困难。现有方案通常基于人工先验知识或添加额外后处理操作的方式进行肺裂特征的筛选。此类方法依赖于大量监督数据或人工交互，难以满足临床应用的需求；第二，肺裂区域占全肺比重相对较低，而现有的基于全肺迭代扫描的特征提取算法未对无关特征信息进行筛除，导致算法整体计算量较大，执行效率不高。

技术实现思路

[0003]本专利技术针对现有技术存在的上述不足，提出一种基于注意力机制的CT影像肺叶图像分割系统，通过显著性区域分割网络提取与肺裂区域相关的图像显著性特征，由此实现肺裂特征空间的定位，该网络基于注意力机制实现高低层语义特征的融合，从而降低模型对无关特征的关注程度，提升肺裂图像检测效率的同时，将三维方向信息与显著性特征融入DoS(Derivative of Stick，窄条微分)滤波过程，以此指导肺裂形态特征的提取，提升肺叶图像分割的准确性。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于注意力机制的CT影像肺叶图像分割系统，包括：前景预处理模块、显著性特征分析模块、形态特征提取模块、分割重建模块以及I/O管理模块，其中：前景预处理模块加载肺部CT原始图像数据，通过医学图像分割网络U
‑
Net进行肺实质前景分割和预处理，得到肺窗标准化图像矩阵以及肺实质二值掩码矩阵；显著性特征分析模块通过基于通道与空间注意力机制的显著性区域分割网络提取肺裂区域的显著性语义特征，得到肺裂区域显著性特征归一化权重矩阵，实现肺裂区域的定位；形态特征提取模块采用改进的DoS滤波算法计算肺裂特征响应归一化权重矩阵，经筛选得到候选肺裂体素；分割重建模块根据候选肺裂体素进行三维曲面重建，根据与曲面的相对位置关系为每一个体素标记其所属的肺叶类别，最终输出肺叶类别掩模矩阵作为肺叶图像分割的结果；I/O管理模块通过标准医学影像格式对输出输入数据进行持久化存储，并定义数据访问接口实现算法模型的动态配置。
[0006]所述的前景预处理模块，采用但不限于U
‑
Net进行肺实质前景提取。
[0007]为了提升分割准确性，降低复杂病灶对肺实质边缘分割效果的影响，本专利技术将肺部CT原始数据分别在肺窗(窗宽＝1500Hu，窗位＝
‑
650Hu)以及纵隔窗(窗宽＝400Hu，窗位＝
‑
40Hu)下分别进行CT值标准化，其中：肺窗标准化结果为后续模块提供肺实质灰度信息，
纵隔窗标准化结果用于前景提取。
[0008]所述的预处理是指：由于左肺和右肺在解剖结构上存在显著差异，划分左右肺有助于提升肺叶图像分割的准确性。本专利技术逐层分析横断面分割结果，计算前两处最大连通域的面积比，由此判定是否存在粘连。当存在粘连，则去除该层水平轴中心位置处的部分体素，即可实现二维层面左右肺分离。对各冠状面执行相似操作，即可实现三维左右肺分离。最终，前景预处理模块输出肺窗标准化图像矩阵以及肺实质二值掩码矩阵，为后续各模块提供肺实质灰度信息。
[0009]所述的显著性区域分割网络并行地融合通道注意力机制以及空间注意力机制，并仅使用有限的粗粒度标注信息进行弱监督，该显著性区域分割网络包括：多尺度特征编码单元、注意力控制单元以及显著性特征解码单元，其中：多尺度特征编码单元利用残差卷积块与空洞卷积块对输入肺实质图像进行多尺度下采样，得到与肺裂区域相关的显著性语义特征；注意力控制单元并行地采用通道注意力与空间注意力机制分析与监督信息最相关的特征通道与空间位置，并利用归一化特征级联操作实现特征更新与融合，得到注意力调控后的融合特征图；显著性特征解码单元利用解码卷积块对融合特征图进行多尺度上采样，根据显著性语义特征还原肺裂区域，最终输出肺裂区域显著性特征掩码结果。
[0010]所述的多尺度特征编码单元包含6个编码卷积层，其中：首层采用尺寸为3
×3×
64、步长为1的卷积核，随后4层依次采用大小分别为3
×3×
64、3
×3×
128、3
×3×
256、3
×3×
512、块数分别为3、4、6、3的残差卷积块进行特征提取。为了进一步分析全局信息，利用3次3
×3×
512的空洞卷积块提取最后2层特征图。除最后一层外，其余各层中的第一个卷积块均通过设置步长为2实现下采样。每个卷积层后接批量归一化层并通过线性整流函数(Rectified Liner Unit,ReLU)激活，即其中：l
(i)
为第i层编码后的特征图；I为原始输入图像；σ
ReLU
为ReLU激活函数，其一般形式为σ
ReLU
＝max(0，x)；Φ
BN
为批量归一化操作；conv
i
对应第i层的卷积块。
[0011]所述的与肺裂区域相关的语义特征包括：高层特征和低层特征，其中：高层特征包含复杂的抽象语义信息，低层特征则保留边缘、纹理、位置等低级语义信息。
[0012]为了充分利用高低层语义信息的相关性，抑制无关干扰特征，显著性区域分割网络在每一层解码过程中嵌入注意力控制单元，对来自上层的高级语义及来自当前层的编码特征进行基于显著性监督信息的注意力分析，从而实现针对肺裂区域的显著性特征提取。
[0013]所述的注意力控制单元包括：通道注意力分析子单元、空间注意力分析子单元及特征融合子单元，其中：通道注意力分析子单元利用全局平均池化操作将特征图的各个通道转化为高维语义特征，并通过Softmax函数归一化权重占比，计算通道注意力特征权重向量，以此对各个通道进行权重更新，并最终与低层特征进行融合，从而有效降低网络对无关特征的关注程度，突出与监督信息相关的语义特征，得到通道注意力加权后的特征图；空间注意力分析子单元根据高低层特征在空间维度上的语义关系，利用加法器融合高低层关键特征并通过ReLU函数进行激活，随后采用1
×
1卷积全连接操作将通道数降为1，得到特征图各个位置对应的空间注意力特征权重向量，将Sigmoid函数归一化后的权重与原始低层特征图进行加权，实现动态调整背景区域的权重，突出具有较高响应的区域，得到空间注意力加权后的特征图；特征融合子单元利用级联操作拼接通道与空间注意力加权后的结果，得
到肺裂区域融合特征图。
[0014]所述的通道注意力特征权重向量A
c
(h，l)＝σ
Softmax
(W3(σ
ReLU本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的CT影像肺叶图像分割系统，其特征在于，包括：前景预处理模块、显著性特征分析模块、形态特征提取模块、分割重建模块以及I/O管理模块，其中：前景预处理模块加载肺部CT原始图像数据，通过医学图像分割网络U
‑
Net进行肺实质前景分割和预处理，得到肺窗标准化图像矩阵以及肺实质二值掩码矩阵；显著性特征分析模块通过基于通道与空间注意力机制的显著性区域分割网络提取肺裂区域的显著性语义特征，得到肺裂区域显著性特征归一化权重矩阵，实现肺裂区域的定位；形态特征提取模块采用改进的DoS滤波算法计算肺裂特征响应归一化权重矩阵，经筛选得到候选肺裂体素；分割重建模块根据候选肺裂体素进行三维曲面重建，根据与曲面的相对位置关系为每一个体素标记其所属的肺叶类别，最终输出肺叶类别掩模矩阵作为肺叶图像分割的结果；I/O管理模块通过标准医学影像格式对输出输入数据进行持久化存储，并定义数据访问接口实现算法模型的动态配置。2.根据权利要求1所述的CT影像肺叶图像分割系统，其特征是，所述的显著性区域分割网络并行地融合通道注意力机制以及空间注意力机制，并仅使用有限的粗粒度标注信息进行弱监督，该显著性区域分割网络包括：多尺度特征编码单元、注意力控制单元以及显著性特征解码单元，其中：多尺度特征编码单元利用残差卷积块与空洞卷积块对输入肺实质图像进行多尺度下采样，得到与肺裂区域相关的显著性语义特征；注意力控制单元并行地采用通道注意力与空间注意力机制分析与监督信息最相关的特征通道与空间位置，并利用归一化特征级联操作实现特征更新与融合，得到注意力调控后的融合特征图；显著性特征解码单元利用解码卷积块对融合特征图进行多尺度上采样，根据显著性语义特征还原肺裂区域，最终输出肺裂区域显著性特征掩码结果。3.根据权利要求2所述的CT影像肺叶图像分割系统，其特征是，所述的多尺度特征编码单元包含6个编码卷积层，其中：首层采用尺寸为3
×3×
64、步长为1的卷积核，随后4层依次采用大小分别为3
×3×
64、3
×3×
128、3
×3×
256、3
×3×
512、块数分别为3、4、6、3的残差卷积块进行特征提取，为了进一步分析全局信息，利用3次3
×3×
512的空洞卷积块提取最后2层特征图，除最后一层外，其余各层中的第一个卷积块均通过设置步长为2实现下采样，每个卷积层后接批量归一化层并通过线性整流函数(Rectified Liner Unit，ReLU)激活，即即其中：l
(i)
为第i层编码后的特征图；I为原始输入图像；σ
ReLU
为ReLU激活函数，其一般形式为σ
ReLU
＝max(0，x)；Φ
BN
为批量归一化操作；conv
i
对应第i层的卷积块。4.根据权利要求2所述的CT影像肺叶图像分割系统，其特征是，所述的注意力控制单元包括：通道注意力分析子单元、空间注意力分析子单元及特征融合子单元，其中：通道注意力分析子单元利用全局平均池化操作将特征图的各个通道转化为高维语义特征，并通过Softmax函数归一化权重占比，计算通道注意力特征权重向量，以此对各个通道进行权重更新，并最终与低层特征进行融合，从而有效降低网络对无关特征的关注程度，突出与监督信息相关的语义特征，得到通道注意力加权后的特征图；空间注意力分析子单元根据高低层特征在空间维度上的语义关系，利用加法器融合高低层关键特征并通过ReLU函数进行激活，随后采用1
×
1卷积全连接操作将通道数降为1，得到特征图各个位置对应的空间注意力特征权重向量，将Sigmoid函数归一化后的权重与原始低层特征图进行加权，实现动态调整
背景区域的权重，突出具有较高响应的区域，得到空间注意力加权后的特征图；特征融合子单元利用级联操作拼接通道与空间注意力加权后的结果，得到肺裂区域融合特征图。5.根据权利要求4所述的CT影像肺叶图像分割系统，其特征是，所述的通道注意力特征权重向量A
c
(h，l)＝σ
Softmax
(W3(σ
ReLU
(W1Φ
GAP
(h)+b1)+σ
ReLU
(W2Φ
GAP
(l)+b2))+b3)，其中：h为来自上一解码层的高层特征图；l为来自同级编码层的低层特征图；W
i
，b
i
(i＝1，2，3)分别为对应下标为i的1
×
1卷积核的权重参数以及偏置参数；σ
Softmax
表示Softmax归一化激活函数，其一般形式为其中z
i
为肺裂区域或背景区域对应输出值；Φ
GAP
为全局平均池化操作；Φ
Upsample
为上采样操作；σ
ReLU
表示ReLU激活函数，其一般形式为σ
ReLU
(x)＝max(0，x)；通道特征最终更新为：F
c
(h，l)＝W4Φ
Upsample
(h)A
c
(h，l)+b4+l，其中：F
c
(h，l)为由高层特征图h和低层特征图l生成的通道特征结果；W4，b4分别为1
×
1卷积核的权重参数以及偏置参数；Φ
Upsample
为上采样操作；所述的空间注意力特征权重向量所述的空间注意力特征权重向量其中，h为来自上一解码层的高层特征图；l为来自同级编码层的低层特征图；W
i
，b
i
(i＝5，6，7)分别为对应下标为i的1
×
1卷积核的权重参数以及偏置参数；Φ
Upsample
为上采样操作；σ
ReLU
表示ReLU激活函数，其一般形式为σ
ReLU
(x)＝max(0，x)；σ
sigmoid
表示Sigmoid激活函数，其一般...

【专利技术属性】
技术研发人员：姜丽红，王崇宇，姜美羡，蔡鸿明，孙焱，徐博艺，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：