一种基于多尺度特征提取的胸腺瘤CT图像分割方法技术

本发明专利技术公开了一种基于多尺度特征提取的胸腺瘤CT图像分割方法，包括如下步骤：在传统UNet网络的编码器中结合基于不同复杂度和不同尺度卷积的DBB结构来提取胸腺瘤CT图像中肿瘤不同尺度下的空间特征，获取更丰富的肿瘤信息。基于压缩激励机制构建卷积核通道间的相互关系，实现不同尺度下空间特征的降维和重标定，然后将重标定的空间特征与原空间特征逐像素加权融合，进而得到与肿瘤区域更相关的空间特征。本发明专利技术的分割结果的DICE系数为88.90、交并比IOU为80.15、真阳性率TPR为86.94、假阳性率FPR为8.61、精确率Pre为91.79，更接近于医生手动分割结果。手动分割结果。手动分割结果。

【技术实现步骤摘要】
一种基于多尺度特征提取的胸腺瘤CT图像分割方法


[0001]本专利技术涉及CT图像分割
，具体涉及一种基于多尺度特征提取的胸腺瘤CT图像分割方法。

技术介绍

[0002]胸腺瘤是最常见的胸腺上皮肿瘤，其发病率位居纵隔肿瘤中的第三位，是成年人中常见的前纵膈原发肿瘤。近年来，随着电子计算机断层扫描(Computed Tomography,CT)在胸部筛查的广泛应用，胸腺瘤的检出率逐渐增加，如何快速准确的诊断胸腺瘤成为影像专家面临的难题之一。
[0003]随着医学影像技术和成像设备的快速发展和普及，借助计算机辅助临床诊断的重要性日益凸显。而医学图像的准确分割成为临床诊断中的关键步骤之一,肿瘤分割是否准确直接决定临床诊断的结果。早期的医学影像分割主要是基于传统的图像分割算法，如基于阈值分割算法、基于区域分割算法、基于边缘检测分割算法、基于小波变换的分割算法。以上方法当感兴趣区域与周围背景的像素相差较大的时候能取得一定的效果。但是由于医学图像通常存在对比度低、边界模糊、亮度不均匀、组织结构复杂等特点，为解决上述问题。文献[冯宝,陈相猛,李浦生,陈业航,姚楠,龙晚生.小波能量引导下基于活动轮廓模型的部分实性肺结节分割[J].华南理工大学学报(自然科学版),2019,47(02):41
‑
49+58.]过小波变换调整图像的对比度，利用高斯混合模型计算肺结节图像的后验概率，将后验概率作为活动轮廓模型的边界检测函数，边界检测函数趋于0，轮廓曲线停止演变，完成对肺结节的分割。文献[周皓阳,冯宝,齐菲菲,刘壮盛,龙晚生.结合MRF能量和DCE
‑
MRI时域特征的乳腺癌灶分割算法[J].光子学报,2021,50(06):205
‑
216]提出结合MRF能量和DCE
‑
MRI时域特征的乳腺癌灶分割方法，该方法利用隐马尔科夫能量增强病灶与其他组织的差异并以邻近像素的马尔科夫能量为特征，最后利用K近邻算法构建活动轮廓模型对乳腺癌灶的分割。上述方法虽然有效的结合图像特点来构建模型，但是未利用图像的抽象特征信息建模，而图像的抽象信息具有更强的表达能力和决策能力。
[0004]近年来，随着计算机技术和人工智能的快速发展，卷积神经网络(Convolutional Neural Network,CNN)强大的建模能力被众多学者广泛研究。其中，基于CNN的深度学习算法在图像处理领域的研究更是得到突破性的进展，如基于深度学习的图像分割算法被引入到医学影像的分割中。其中Ronneberger等人在2015年提出用于细胞分割的UNet网络，该网络由提取特征的编码器、恢复空间分辨率并生成分割结果的解码器和跳跃连接组成。Hu等人提出一种压缩激励模块，该模块的主要思想是网络根据当前值与目标之间的损失来学习图像特征权重，强化对目标任务有效的特征权重，弱化对目标任务无效的特征权重，从而提高特征的表达能力。Zhao等人基于金字塔池化模块提出PSPNet模型。该模型一方面引入多尺度特征融合，挖掘图像中具有较强语意信息的高层特征，丰富具有更多细节的底层特征。另一方面利用条件随机场进行后处理，细化分割结果。Vijay等人提出SegNet网络，该网络记录最大池化层响应最大的特征位置进行非线性上采样，然后使用可训练的卷积层扩充稀
疏化的上采样特征，避免上采样特征产生额外空间消耗。以上方法未考虑在特征提取时构建卷积核各通道之间的相互关系来提高特征的表达能力，而卷积核通道间关系能为模型提供有效的决策。

技术实现思路

[0005]为解决上述问题，本专利技术提供了一种基于多尺度特征提取的胸腺瘤CT图像分割方法。
[0006]为实现上述目的，本专利技术采取的技术方案为：
[0007]一种基于多尺度特征提取的胸腺瘤CT图像分割方法，包括如下步骤：
[0008]S1、在传统UNet网络的编码器中结合基于不同复杂度和不同尺度卷积的DBB结构来提取胸腺瘤CT图像中肿瘤不同尺度下的空间特征，获取更丰富的肿瘤信息；
[0009]S2、基于压缩激励机制构建卷积核通道间的相互关系，实现不同尺度下空间特征的降维和重标定，然后将重标定的空间特征与原空间特征逐像素加权融合，进而得到与肿瘤区域更相关的空间特征；
[0010]S3、通过消融实验确定特征降维过程中控制模型复杂度的超参数。进一步地，所述步骤S1中，
[0011]编码阶段采用DBB结构中不同复杂度分支中的小尺度卷积核来关注病灶的位置信息和轮廓信息，使用大尺度的卷积核来关注病灶的区域信息。同时在DBB结构之后使用特征压缩与激活的注意力机制来建立不同尺度下卷积核各通道间的相互关系，完成对空间特征的降维和重标定，从而弱化从病灶中噪声产生的特征，强化病灶中肿瘤的特征。为了简化网络的结构，DBB结构中不同复杂度的分支可以通过卷积的同质性和加法特性推理变换为单一的卷积结构；
[0012]解码阶段同样采用DBB结构中多尺度卷积来获取对应编码阶段提取的特征以减少解码过程中信息的丢失，同时在DBB结构之后通过特征降维和特征重标定来增强对目标任务有效的特征，对重标定后的空间特征采用反卷积的上采样逐步恢复高质量的特征图。
[0013]进一步地，所述步骤S2中，
[0014]特征空间降维阶段，使用全局均值池化函数(Global Average Pooling,GAP)对每个特征通道在空间H
×
W上进行压缩，对任意输入的特征图X(X∈R
H
×
W
×
C
)，通过压缩X的空间维度H
×
W生成通道统计量Z(Z∈R1×1×
C
)，压缩过程中Z对应的第C个通道计算为：
[0015][0016]其中，γ
C
是压缩后的特征图，Z(x)是压缩函数，H和W分别是输入特征图的空间维度对应的高和宽，x
C
是输入特征图的第C维空间特征，i和j是第C维空间维度上的坐标。
[0017]进一步地，所述步骤S2中，
[0018]特征重标定阶段，将压缩为1
×1×
C的输入通过两个全连接和ReLU激活函数建立通道之间的相关性，使用sigmoid门控函数作为自选机制将压缩阶段嵌入在通道维度上的向量作为自选机制的输入，并产生每个通道权重集合。
[0019]本专利技术的分割结果的DICE系数为88.90、交并比IOU为80.15、真阳性率TPR为86.94、假阳性率FPR为8.61、精确率Pre为91.79，更接近于医生手动分割结果。
附图说明
[0020]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0021]图1结合DBB结构与特征降维和重标定的分割模型。
[0022]图2卷积层与BN层推理过程。
[0023]图3多尺度卷积推理过程。
[0024]图4均值池化推理过程。
[0025]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征提取的胸腺瘤CT图像分割方法，其特征在于：包括如下步骤：S1、在传统UNet网络的编码器中结合基于不同复杂度和不同尺度卷积的DBB结构来提取胸腺瘤CT图像中肿瘤不同尺度下的空间特征，获取更丰富的肿瘤信息；S2、基于压缩激励机制构建卷积核通道间的相互关系，实现不同尺度下空间特征的降维和重标定，然后将重标定的空间特征与原空间特征逐像素加权融合，进而得到与肿瘤区域更相关的空间特征；S3、通过消融实验确定特征降维过程中控制模型复杂度的超参数。2.如权利要求1所述的一种基于多尺度特征提取的胸腺瘤CT图像分割方法，其特征在于：所述步骤S1中，编码阶段采用DBB结构中的小尺度卷积核来关注病灶的位置信息和轮廓信息，使用大尺度的卷积核来关注病灶的区域信息；同时在DBB结构之后使用特征降维和重标定来建立各个通道间的相互关系，弱化从病灶中噪声产生的特征，强化病灶中肿瘤的特征，从而提高分割结果；解码阶段同样采用DBB结构中多尺度卷积来获取对应编码阶段提取的特征以减少解码过程中信息的丢失，同时在DBB结构之后通过特征降维和特征重标定来增强对目标任务有效的特征，对重标定后的空间特征采用反卷积的上采样逐步恢复高质量的特征图。3.如权利要求1所述的一种基于多尺度...

【专利技术属性】
技术研发人员：冯宝，徐坤财，周皓阳，陈业航，陈相猛，蒋成亮，刘昱，李运德，何婧，崔恩铭，龙晚生，
申请(专利权)人：桂林航天工业学院，
类型：发明
国别省市：