医学图像分割装置、方法及计算机可读存储介质制造方法及图纸

一种医学图像分割分割装置、方法及计算机可读存储介质，所述装置包括：显著性特征获取单元，提取待分割图像的显著性特征；显著性特征编码单元，对显著性特征进行编码；掩模获取单元，用于提取待分割主体的边缘信息；编码器对接收的待分割图像进行特征提取；第一编码单元的显著性特征融合模块将待分割图像与待分割图像的显著性特征进行融合；解码器恢复图像细节，最终输出图像分割结果；第一编码单元还包括掩模融合模块，接收显著性特征融合模块的输出特征图和掩模获取单元输出的掩模，并将二者融合。通过显著性特征融合模块和掩膜融合模块，结合深度语义网络提高了待分割主体的分割准确性。准确性。准确性。

【技术实现步骤摘要】
医学图像分割装置、方法及计算机可读存储介质


[0001]本公开涉及医学图像分割
，尤其涉及一种基于深度语义的医学图像分割方法。

技术介绍

[0002]图像分割是计算机视觉领域的一个重要分支，广泛应用于工业检测、生物识别、智能交通、安防、智慧医疗等各个领域。图像分割技术大致可划分为基于图论的方法、基于像素聚类的方法和基于深度语义的方法这三大类。传统的分割方法仅根据像素点的颜色、亮度、纹理等较低层次的内容信息，分割效果差，容易产生错误的分割。基于基于深度语义的图像分割能够利用高级语义信息，很大程度上解决了传统图像分割方法中语义信息缺失的问题，获得了较大的成功。
[0003]目前，对于医学图像的分割，特别是癌变皮肤的分割，基于深度语义的分割方法大多基于U
‑
Net网络架构以及在U
‑
Net架构之上的拓展模型。例如，O.Ronneberger等首先提出了U型的医学图像分割网络。Zhou，Z等提出了基于Unet++模型的医学图像分割方法。由于皮肤存在毛发遮盖和病变颜色较浅的问题，现有的分割方法不能完整的分割出癌变的皮肤部分，分割效果差。
[0004]参考文献：
[0005]1、O.Ronneberger，P.Fischer，and T.Brox，“U
‑
net：Convolutional networks forbiomedical image segmentation，”in Proceedings of International Conference on Medicalimage computing and computer
‑
assisted intervention(MICCAI)，2015，pp.234
‑
241；
[0006]2、Zhou，Z.，Siddiquee，M.M.R.，Tajbakhsh，N.，and Liang，J.，“Unet++：A nestedu
‑
net architecture for medical image segmentation，”in[Deep learning in medical imageanalysis and multimodallearning for clinical decision support]，3
‑
11，Springer(2018)；
[0007]3、CN 110782466A，公布日：2020.02.11。

技术实现思路

[0008]有鉴于此，本公开的目的在于提供一种医学图像分割方法，能够解决医学图像分割的不完整、不准确性的技术问题。
[0009]一种医学图像分割分割装置，包括：显著性特征获取单元、显著性特征编码单元、掩模获取单元、编码器和解码器，编码器和解码器之间通过跳跃连接方式连接；
[0010]显著性特征获取单元，用于提取待分割图像的显著性特征；
[0011]显著性特征编码单元，数量为n层，n≥3，对显著性特征获取单元提取的显著性特征进行逐层编码；
[0012]掩模获取单元，用于提取待分割主体的边缘信息；
[0013]编码器，接收待分割图像，并对待分割图像进行特征提取；所述编码器包括n层编码单元，对接收到的待分割图像依次进行逐层特征提取；n≥3；每层编码单元包括依次串联显著性特征融合模块和下采样模块；
[0014]第一编码单元的显著性特征融合模块，接收待分割图像和显著性特征获取单元输出的显著性特征，并将待分割图像与待分割图像的显著性特征进行融合，输出处理后的特征图；
[0015]解码器，用于恢复图像细节，最终输出图像分割结果；所述解码器包括n层解码单元，n≥3；
[0016]第一编码单元还包括掩模融合模块，第一编码单元的显著性特征融合模块、掩模融合模块和下采样模块依次串联；其掩模融合模块接收显著性特征融合模块的输出特征图和掩模获取单元输出的掩模，并将二者融合。
[0017]可选的，第二编码单元还包括掩模融合模块，第二编码单元的显著性特征融合模块、掩模融合模块和下采样模块依次串联；其掩模融合模块接收第二编码单元的显著性特征融合模块的输出特征图和掩模获取单元输出的掩模，并将二者融合。
[0018]可选的，所述跳跃连接中包括自适应特征编码模块。
[0019]可选的，所述显著性特征编码单元包括第一残差单元。
[0020]可选的，显著性特征融合模块包括第二残差单元和拼接单元。
[0021]可选的，所述第一残差单元和第二残差单元均包括至少一个残差模块；所述至少一个残差模块包括第一分支和第二分支，分别对接收到的显著性特征并行处理。
[0022]可选的，第二残差单元包括顺次连接的至少两个残差模块，第二残差模块和第三残差模块。
[0023]可选的，第一残差单元和第二残差单元均包括注意力模块，所述注意力模块包含能量函数。
[0024]可选的，掩模融合模块包括逻辑与运算模块和逻辑或运算模块。
[0025]本公开还提供一种医学图像分割方法，包括以下步骤：
[0026]获取待分割医学图像；
[0027]采用上述医学图像分割装置接收待分割图像，并进行图像分割处理，输出处理结果。
[0028]本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得，该计算机执行上述医学图像分割方法。
[0029]有益效果
[0030]1、采用显著性特征融合模块融合待分割图像的显著性特征，获取分割物体的基本形状大小信息，针对待分割区域不明显的情形实现有效区分。
[0031]2、显著性特征融合模块中采用带有能量函数的残差模块，能够有效对显著性特征进行权重的分配，提高对待分割主体的筛选的准确性和对噪声的过滤。
[0032]3、通过掩模提取待分割主体的边缘信息，有效分割病变区域，并过滤噪声。掩膜融合模块采用逻辑与和逻辑或分别提取主体信息和边缘信息，然后采用拼接模块进行融合，融合边缘信息。将掩膜与网络主支信息进行逻辑与，能够获得掩膜的形状与大小，确定待分割主体。逻辑或能够获得待分割图像的边缘信息。使用逻辑或的方式结合主支神经网络得
出的特征图，可以提高颜色较浅的边缘部分信息的准确性。
附图说明
[0033]为了更清楚地说明本公开中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本公开一实施例的医学图像分割装置示意图；
[0035]图2为本公开一实施例的显著性特征编码单元及显著性特征融合模块示意图；
[0036]图3为本公开一实施例的掩模融合模块示意图；
[0037]图4a0、4a1、4a2分别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像分割分割装置，其特征在于，包括：显著性特征获取单元、显著性特征编码单元、掩模获取单元、编码器和解码器，编码器和解码器之间通过跳跃连接方式连接；显著性特征获取单元，用于提取待分割图像的显著性特征；显著性特征编码单元，数量为n层，n≥3，对显著性特征获取单元提取的显著性特征进行逐层编码；掩模获取单元，用于提取待分割主体的边缘信息；编码器，接收待分割图像，并对待分割图像进行特征提取；所述编码器包括n层编码单元，对接收到的待分割图像依次进行逐层特征提取；n≥3；每层编码单元包括显著性特征融合模块和下采样模块；第一编码单元的显著性特征融合模块，接收待分割图像和显著性特征获取单元输出的显著性特征，并将待分割图像与待分割图像的显著性特征进行融合，输出处理后的特征图；解码器，用于恢复图像细节，最终输出图像分割结果；所述解码器包括n层解码单元，n≥3；第一编码单元还包括掩模融合模块，第一编码单元的显著性特征融合模块、掩模融合模块和下采样模块依次串联；其掩模融合模块接收显著性特征融合模块的输出特征图和掩模获取单元输出的掩模，并将二者融合。2.根据权利要求1所述的装置，其特征在于，第二编码单元还包括掩模融合模块，第二编码单元的显著性特征融合...

【专利技术属性】
技术研发人员：陈丽芳，王涛，
申请(专利权)人：江南大学，
类型：发明
国别省市：