一种基于自注意力的医疗影像分割方法技术

本发明专利技术公开了一种基于自注意力的医疗影像分割方法，可以应用于医疗影像分割领域。本发明专利技术利用Unet作为基准模型，通过增加多尺度特征提取编码结构和语义特征增强结构的处理，实现了多尺度特征的提取能力和准确边缘语义信息的获取能力。网络模型主要分为编码器、语义特征增强模块、解码器共三个模块。本方案适用于医疗影像的病变区域分割问题，具备多尺度特征提取能力和准确边缘语义信息的获取能力，具体能够解决多尺寸病变区域分割难和病变区域无固定形状导致的分割边缘模糊的问题。无固定形状导致的分割边缘模糊的问题。无固定形状导致的分割边缘模糊的问题。

【技术实现步骤摘要】
一种基于自注意力的医疗影像分割方法


[0001]本专利技术可以应用于医疗影像分割领域，利用自注意力机制对医疗影像进行分割处理。

技术介绍

[0002]随着人们日常医疗生活水平的提高，胃镜，肠镜以及超声成像等医疗成像技术让医生们对患者病情有了更加清晰和直观的了解，也是后续持续治疗的基础。影像分割标识出图像中病变区域和健康区域的边界，随着这些技术的普及，医师的手动分割显然应对不了庞大的分割任务量，因此如何快速高效的分析影像，提高医师们的工作效率成为了医疗影像分析领域极有价值的研究问题。
[0003]解决医疗影像的分割问题的方法，主要可以分为两类，分别是使用传统机器学习的方法以及使用新兴的深度学习的方法，特别是深度学习的方法，在近两年已经取得了非常大的进展。
[0004]传统的机器学习的方法包括很多种方式，比如经典的基于阈值的图像分割方法如最大类间方差法(参考文献Otsu N.A Threshold Selection Method from Gray
‑
Level Histograms[J].Systems Man本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力的医疗影像分割方法，其特征在于，包括如下步骤：首先构建并训练影像分割模型，所述影像分割模型包括编码器、语义特征增强模块和语义特征增强模块，具体处理过程如下；步骤1，利用编码器中的多尺度特征提取结构获得图像的多尺度的特征，得到隐藏特征图；步骤2，将隐藏特征图输入到全局语义特征增强模块中，得到语义特征；步骤3，将语义特征输入解码器中，经过多个解码block完成特征解码，每个解码block包括上采样模块和卷积模块，并且在每一次上采样之后与编码器中相应每一层特征进行跳连连接实现特征融合，输出一个两通道的特征图，为最后分割完成的结果图；将待分割影像输入到训练好的影像分割模型中得到分割结果。2.如权利要求1所述的一种基于自注意力的医疗影像分割方法，其特征在于：步骤1中，编码器由多个编码block组成，各编码block之间采用串行连接，每一个基础编码block包含bottleneck瓶颈模块以及基于自注意力的多尺度特征提取编码结构，所述bottleneck瓶颈模块由三层卷积和一个残差连接组成。3.如权利要求1所述的一种基于自注意力的医疗影像分割方法，其特征在于：所述的多尺度特征提取结构使用多头注意力和空洞卷积结合的方式完成对多尺度特征的提取，整个结构包含两个1x1的卷积、一个3x3的卷积和两个使用空洞卷积实现的多头注意力模块，两个空洞卷积的空洞率分别是1和2，能够获得不同尺度的感受野，因此能够实现多尺度特征的提取；输入的张量feature1(B,C,H,W)首先经过1x1卷积完成提高特征维度的操作，得到中间张量feature2(B,4*C,H,W)，然后中间张量feature2经过一个三分支的结构，分别是3x3卷积，空洞率为1的多头自注意力和空洞率为2多头自注意力，使用不同大小的感受野提取不同尺度的特征，然后拼接三个分支返回的张量feature3(B,12*C,H,W)，经过1x1卷积降低张量维度，得到张量feature4(B,C,H,W)，其中(
·
,
·
,
·
,
·
)用于说明张量的尺寸，B,C,H,W分别表示输入的数量、特征图的通道数、特征图的高和宽。4.如权利要求1所述的一种基于自注意力的医疗影像分割方法，其特征在于：所述的语义特征增强结构包括两个部分，分别是通道自注意力模块和全局空间自注意力模块；在实现的过程中，首先将特征张量featur...

【专利技术属性】
技术研发人员：潘少明，刘鑫，种衍文，
申请(专利权)人：武汉大学，
类型：发明
国别省市：