本申请公开了一种基于选择性特征交互融合网络的MR图像分割算法，涉及图像处理技术领域，所述算法包括：可融合双序列特征的双序列选择性交互融合网络架构，其中包含用于融合双支路信息的选择性特征交互模块；多尺度引导特征重建模块，用于重建出关注小目标及边缘的低级语义特征；一种拥有不确定估计及形态学算法的半监督训练策略，可进一步提升网络模型的分割性能。解决了现有技术中的分割问题，达到了融合WP序列和OOP序列的图像信息，得到准确的分割效果，并且运用半监督策略，免去耗时、耗力的人工标注过程的同时，提升了网络的分割性能。能。能。
【技术实现步骤摘要】
基于选择性特征交互融合网络的MR图像分割算法
[0001]本专利技术涉及一种基于选择性特征交互融合网络的MR图像分割算法，属于图像处理
技术介绍
[0002]胰腺癌是世界上最普遍的癌症之一，是一种毁灭性的恶性疾病，中位生存期为3
‑
6个月，5年生存率小于5％。目前对于胰腺癌的最有效的治疗方式是手术切除，随着医学影像技术的发展，计算机断层扫描(CT，Computed Tomography)图像与磁共振(MR，Magnetic Resonance)图像成为医生诊断胰腺癌的重要图像工具。而具有良好软组织对比度的MR图像比CT图像更适合观察胰腺和肿瘤。因此，从MR图像中准确、自动的分割出胰腺可以辅助医生诊断胰腺疾病，增加病人的存活率。
[0003]然而，由于胰腺在MR图像中所占的比例较小，且胰腺与周围组织的图像强度相似边界难以区分，并且不同患者的胰腺结构均有所不同，所以这就导致现有方案中难以分割得到MR图像中的胰腺区域。
技术实现思路
[0004]本专利技术的目的在于提供一种基于选择性特征交互融合网络的MR图像分割算法，用于解决现有技术中存在的问题。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]第一方面，本专利技术实施例提供了一种基于选择性特征交互融合网络的MR图像分割算法，所述算法包括：
[0007]将所述多序列MR有标签图像输入至双支路分割网络中进行训练，得到可自动分割所述多序列MR图像中的分割模型；
[0008]其中，所述双支路分割网络包括双编码器、解码器、选择性特征交互模块与多尺度引导特征重构模块，所述双编码器分别用于提取所述多序列MR图像中的WP(water phase)序列特征与OOP(out of phase)序列特征，解码器用于对所述双编码器提取到的图像特征进行融合解码，并分割；
[0009]采用半监督策略，将无标签的多序列MR图像输入分割模型得到网络预测的伪标签，对伪标签进行不确定性估计与形态学算法的修正，修正后作为伪标签和图像一起送入双支路分割网络中进行微调训练，得到分割能力更强的分割模型。
[0010]可选的，所述双分支编码器之间设置有选择性特征交互模块，所述选择性特征交互模块用于选择性的交换所述WP序列和所述OOP序列中的图像信息。
[0011]可选的，所述选择性特征交互模块，包括：
[0012]对于每个分支编码器中的每一层提取到的特征，对提取到的特征进行修正，使得修正后的特征强度与另一个分支编码器修正后的特征强度一致；
[0013]根据修正后的特征计算每个特征对应的权重；
[0014]根据计算得到的权重将提取到的特征与另一分支编码器提取得到的特征进行交互融合，将融合后的特征返回至对应的分支编码器。
[0015]可选的，所述根据修正后的特征计算每个特征对应的权重，包括：
[0016]对修正后的特征进行金字塔池化操作，得到池化后的每个特征；
[0017]将池化后的各个特征展平，并拼接得到特征向量；
[0018]将所述WP序列图像对应的特征向量和所述OOP序列图像对应的特征向量进行矩阵相乘，得到相似关系矩阵；
[0019]根据所述相似关系矩阵获取各个通道的WP序列特征对于OOP特征总体的相似性，以及各个通道的OOP序列特征对于WP特征总体的相似性；
[0020]根据获取到的各个相似性确定得到每个特征对应的权重。
[0021]可选的，所述解码器中在跳跃连接和解码层之间设置有特征重构模块，所述特征重构模块用于降低低级语义特征的冗余。
[0022]可选的，包括：
[0023]将前一层获取到的高级语义特征与从跳跃连接处获取到的低级语义特征进行归一化操作；
[0024]将归一化后的高级语义特征和归一化后的低级语义特征进行融合，得到融合后的语义特征；
[0025]通过不同空间提取方式提取融合后的语义特征，得到多种空间注意力特征；
[0026]根据获取得到的多种空间注意力特征合成胰腺区域的空间注意力特征；
[0027]根据所述空间注意力特征以及所述低级语义特征获取抑制噪声后的语义特征，抑制噪声后的语义特征经过通道注意力模块；
[0028]所述通道注意力模块根据抑制噪声后的语义特征的胰腺区域强度生成通道权值；
[0029]根据所述通道权值对低级语义特征加权得到通道注意力特征；
[0030]根据空间注意力特征以及通道注意力特征，确定重构后的低级语义特征。
[0031]可选的，所述不确定性估计用于对用无标签数据生成的伪标签的可信度进行评判与修正，所述形态学算法用于修正伪标签，使其变得更为可信。
[0032]可选的，包括：
[0033]根据MR图像的特性，改变窗宽、窗位获取同一病人不同对比度的多种数据；将所述数据送入双分支网络获得不同的伪标签；
[0034]根据所述不同的伪标签间差异性计算原伪标签的不确定性估计值并对原伪标签进行排序；
[0035]所述不确定估计值高的数据，分别计算信息熵作为的权重，对所述各种对比下伪标签进行加权，以获得具有更高可信度的标签。
[0036]可选的，包括：
[0037]根据MR图像的上下文信息，获取掩膜；
[0038]去除所述掩膜值低的部分，并对处理后的掩膜进行腐蚀膨胀操作；
[0039]根据所述腐蚀膨胀后的掩膜对每个伪标签进行修正；
[0040]根据所述修正后的伪标签的相邻伪标签，确定最终的可信伪标签。
[0041]通过将有标签的多序列MR图像输入至分割网络中训练，得到可自动分割所述多序
列MR图像中的网络模型；其中，所述分割网络包括双编码器、解码器、选择性特征交互模块和多尺度引导特征重构模块，所述双分支编码器用于提取所述多序列MR图像中的WP(water phase)序列图像的图像特征与OOP(out of phase)序列图像的图像特征，所述选择性特征交互模块用于选择性的交换对彼此有用的信息，增强双支路提取胰腺信息的能力，所述多尺度引导特征重构模块用于重建出利于小目标胰腺区域分割的低级语义特征，所述解码器用于对所述双分支编码器提取到的图像特征信息进行融合解码，并分割得到胰腺区域；运用半监督技术将无标签的多序列MR图像输入已训练网络模型中获取分割的胰腺区域，利用所述的不确定估计及形态学算法得到修正后更加可信的胰腺区域再送入分割网络中训练，进一步提升网络的分割性能。解决了现有技术中病变胰腺的分割问题，达到了融合WP序列图像和OOP序列图像的图像特征，进而实现特征的互补，准确的分割的效果。
[0042]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。
附图说明
[0043]图1为本专利技术一个实施例提供的图像分割算法的流程图；
[0044]图2本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于选择性特征交互融合网络的MR图像分割算法，其特征在于，所述算法包括：将所述多序列MR有标签图像输入至双支路分割网络中进行训练，得到可自动分割所述图像的分割模型；其中，所述双支路分割网络包括双编码器、解码器、选择性特征交互模块与多尺度引导特征重构模块，所述双编码器分别用于提取所述多序列MR图像中的WP序列特征与OOP序列特征，解码器用于对所述双编码器提取到的图像特征进行融合解码，并分割得到胰腺区域；采用半监督策略，将无标签的多序列MR图像输入分割模型得到网络预测的伪标签，对伪标签进行不确定性估计与形态学算法的修正，修正后作为伪标签和图像一起送入双支路分割网络中进行微调训练，得到分割能力更强的分割模型。2.根据权利要求1所述的算法，其特征在于，所述双分支编码器之间设置有选择性特征交互模块，所述选择性特征交互模块用于选择性的交换所述WP序列和所述OOP序列中的图像信息。3.根据权利要求2所述的算法，其特征在于，所述选择性特征交互模块，包括：对于每个分支编码器中的每一层提取到的特征，对提取到的特征进行修正，使得修正后的特征强度与另一个分支编码器修正后的特征强度一致；根据修正后的特征计算每个特征对应的权重；根据计算得到的权重将提取到的特征与另一分支编码器提取得到的特征进行交互融合，将融合后的特征返回至对应的分支编码器。4.根据权利要求3所述的算法，其特征在于，所述根据修正后的特征计算每个特征对应的权重，包括：对修正后的特征进行金字塔池化操作，得到池化后的每个特征；将池化后的各个特征展平，并拼接得到特征向量；将所述WP序列图像对应的特征向量和所述OOP序列图像对应的特征向量进行矩阵相乘，得到相似关系矩阵；根据所述相似关系矩阵获取各个通道的WP序列特征对于OOP特征总体的相似性，以及各个通道的OOP序列特征对于WP特征总体的相似性；根据获取到的各个相似性确定...
【专利技术属性】
技术研发人员：向德辉，陆宇轩，边云，
申请(专利权)人：苏州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。