基于注意力机制改进的U-net肝肿瘤分割方法技术

本发明专利技术公开了一种基于注意力机制改进的U

【技术实现步骤摘要】
基于注意力机制改进的U
‑
net肝肿瘤分割方法


[0001]本专利技术涉及于医学影像处理
，特别是一种肝肿瘤的分割方法。

技术介绍

[0002]肝脏是人体结构中的重要器官之一，主要有激素代谢、解毒、分泌和排泄胆汁等功能；肝癌是在肝脏部位发生的恶性肿瘤。根据世界卫生组织(World Health Organization,WHO)等相关机构发布的数据显示，2020年全球有超过八十万人死于肝癌，死亡人数接近新确诊人数，严重威胁着人类的身心健康。若能对其进行早期诊断——精准的分割出病灶区域，然后根据个体差异施以合适的治疗方法，能够有效的提升存活率。
[0003]常见诊断肝肿瘤的方法主要是依靠经验丰富的医生根据计算机断层扫描(Computer Tomography,CT)结果来进行手工分割。随着患者人数的增加，为了减小医生诊断的负担，辅助诊断的方法走入了大众视野。传统的图像分割方法主要有阈值法(Threshold)、区域生长(Region Growing)、水平集(Level Set)等方法。在机器学习方面主要用聚类算法、支持向量机(Support Vector)、AdaBoost等方法进行分割研究。不过，无论是传统方法，还是基于一般的机器学习图像分割方法，并不是一个端到端的分割模型，提取特征都需要人工的干预，此过程很容易受到主观意识的影响，效率低下，且性能不高。
[0004]随着对数据和算力的充分利用，2012年AlexNet在ILSVRC挑战赛上的巨大成功引领了新一轮深度学习的浪潮，出现了VGG、ResNet等一系列经典的卷积神经网络，因此部分学者也开始考虑将它们移植到医学图像分割上。2015年，名为UNet的医学分割网络架构，在ISBI细胞跟踪比赛中取得了良好的性能。随后大量学者对其进行改进，引入了三维卷积、金字塔结构、残差连接、注意力机制等思想。其中3DUNet和VNet利用3
×3×
3的卷积核来提取图像特征，相比2D卷积准确率有了一定的提高，但是也引入了大量的参数。ResUNet、UNet++、DenseUNet等采用跳跃连接和密集连接的思想，增强了网络结构的表征能力，解决一定的梯度消失和退化问题，但是整个过程中并没对特征进行挑选，没有消除噪音对网络带来的干扰。
[0005]近几年，注意力机制的引入对网络性能有了明显的提升，通道注意力SENet大放异彩，效果优异，但是其丢失了空间信息，混合注意力Residual attention生成3D注意力特征图，过程简单，但引入了大量参数。BAM和CBAM虽然将通道和空间信息都考虑了在内，性能有所提升，但是其通道和空间分支在低维映射时都存在信息丢失问题。此外，在图像分割方面Attention
‑
UNet在上采样的跳跃连接处采用AG门控机制来聚焦目标区域，致力消除使用额外的目标定位模块来分割图像，但是其所使用的网络提取特征能力并不强。
[0006]总的来说，尽管上述基于深度学习的分割方法比传统方法步骤更简单、效率更高、分割效果更好，但是由于标准数据资源稀少、模型表征能力有限、图像复杂度较高等问题的限制，当前的网络仍然不能达到临床所需的效果。

技术实现思路

[0007]本专利技术提供一种基于注意力机制改进的U
‑
net肝肿瘤分割方法，以提高分割精度为目标，主要用来解决卷积神经网络的特征提取针对性能力不强和肝脏分割性能不高的难点。
[0008]为解决上述技术问题，本专利技术所采取的技术方案如下。
[0009]基于注意力机制改进的U
‑
net肝肿瘤分割方法，具体包括以下步骤：
[0010]S1.数据集获取和基本分割模型的选取；
[0011]S2.数据预处理；
[0012]S3.确定损失函数；
[0013]S4.确定评价肝肿瘤分割性能的指标；
[0014]S5.分割模型搭建；
[0015]S6.进行肝肿瘤图像分割。
[0016]上述基于注意力机制改进的U
‑
net肝肿瘤分割方法，步骤S1中所述基本分割模型采用Attention
‑
UNet作为基础模型。
[0017]上述基于注意力机制改进的U
‑
net肝肿瘤分割方法，步骤S2中预处理后的数据集后分为训练集、验证集和测试集。
[0018]上述基于注意力机制改进的U
‑
net肝肿瘤分割方法，步骤S4中所述的评价肝肿瘤分割性能的指标包括Dice相似系数、相对体积差和体积误差重叠。
[0019]上述基于注意力机制改进的U
‑
net肝肿瘤分割方法，步骤S5中所述分割模型的搭建方法为：
[0020]S51.构造通道注意力模块，使用多个大小不同的1D卷积核执行卷积；
[0021]S52.构造空间注意力模块，采用并联空洞卷积的方法引入到空间注意力模块中，获取上下文的语义信息；
[0022]S53.将通道注意力模块和空间注意力模块进行混合，生成混合注意力模块；
[0023]S54.将混合注意力模块集成到基础模型中。
[0024]上述基于注意力机制改进的U
‑
net肝肿瘤分割方法，步骤S6进行肝肿瘤图像分割的方法如下。
[0025]S61.训练阶段，利用预处理好的数据集对步骤S5生成的分割模型进行训练，选取整个训练周期内损失值最小时所对应的轮数参数作为最终权重；
[0026]S62.把训练阶段得到的最终权重加载进入分割模型中，并将划分到测试集中的图像送进模型中进行测试，最终得到预测的肝肿瘤分割图和对应的指标参数。
[0027]由于采用了以上技术方案，本专利技术所取得技术进步如下。
[0028]本专利技术改进了传统的通道注意力机制和空间注意力机制，并对如何集成到网络架构中进行了分析，与经典的分割方法相比，尽管数据分布有较大差异，但本专利技术方法均能表现出最佳的效果，具有良好的抗噪性和鲁棒性，采用本专利技术的分割方法，用于分割肝肿瘤图像效果更佳，精度更高。
[0029]本专利技术的优势具体体现在以下几个方面。
[0030]1)在通道注意力机制上，不仅没有损失SENet所提出的注意力模块Excitation中的跨通道交互能力，不打乱通道和注意力特征之间的直接映射关系，同时又能节省了参数，
使得网络性能得到明显提升。
[0031]2)在空间注意力机制方面，本专利技术引入了扩大感受野的新方法，有助于CNN得到全局信息，进而拥有掌握整体的能力，更能充分的利用上下文信息，有效的提升后续分割性能，使网络拥有更强的全局能力。
[0032]3)引入残差结构，通过残差结构有效防止了随着网络深度的加深梯度退化问题的出现。尽管网络层数增加，退化现象对网络的影响也是很小的，不会影响反向传播和网络的更新。
[0033]4)整体模型结构上，本专利技术不仅参考了UNet编码和解码架构，改进的注意力模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力机制改进的U
‑
net肝肿瘤分割方法，其特征在于，具体包括以下步骤：S1.数据集获取和基本分割模型的选取；S2.数据预处理；S3.确定损失函数；S4.确定评价肝肿瘤分割性能的指标；S5.分割模型搭建；S6.进行肝肿瘤图像分割。2.根据权利要求1所述的基于注意力机制改进的U
‑
net肝肿瘤分割方法，其特征在于，步骤S1中所述基的本分割模型采用Attention
‑
UNet作为基础模型。3.根据权利要求2所述的基于注意力机制改进的U
‑
net肝肿瘤分割方法，其特征在于，步骤S2中预处理后的数据集分为训练集、验证集和测试集。4.根据权利要求3所述的基于注意力机制改进的U
‑
net肝肿瘤分割方法，其特征在于，步骤S4中所述的评价肝肿瘤分割性能的指标包括Dice相似系数、相对体积差和体积误差重叠。5.根...

【专利技术属性】
技术研发人员：潘诗杰，阿卜杜杰力力，
申请(专利权)人：广州市华奕电子科技有限公司，
类型：发明
国别省市：