基于多重注意力融合的医学图像分割方法技术

本申请涉及一种基于多重注意力融合的医学图像分割方法，通过改进优化注意力等模块来使模型更加关注目标区域，提高模型对感兴趣区域及边界的分割精度；解决了现有的目标检测方法往往倾向于对目标区域的实例进行分割和分类，但是往往边缘精度分割不高的问题，经实验表明，本申请较好地保持了骨干网络的分割结果，在病灶区的分割结果上要明显优于现有方法。法。法。

【技术实现步骤摘要】
基于多重注意力融合的医学图像分割方法


[0001]本申请涉及图像分割
，具体地，涉及一种基于多重注意力融合的医学图像分割方法。

技术介绍

[0002]大脑是人类神经系统的核心，脑病灶可能导致永久性脑功能损伤，致使残疾或死亡。脑病灶的精准检测和分割可以帮助量化脑病灶各项病理指标(例如病灶总体积，病灶位置与病灶块数量等)。这些量化指标，与大脑的老化和病理改变密切相关，并且可能对患者的预后提供有用线索，也可进一步用于分析药物干预的效果与指导手术干预方案的设计。脑梗死后出血转化是指急性脑梗死后缺血区血管重新恢复血流灌注导致的出血。急性脑梗死后出血转化是脑梗死自然病程的一部分，也是溶栓等疗法的主要不良反应，不仅与脑梗死预后不良相关，也是多种改善血流疗法使用不足的重要原因。对脑梗死后的出血转化CT图像做出快速的分析和判断关系着医生能否对患者病情做出快速而准确的诊治，因此有必要借助科学的方法来快速分割出血转化区域。
[0003]现有技术中使用深度学习自动分割技术进行如脑梗死后出血转化等脑病灶的分割检测，对脑部组织的进一步分析以及脑部疾病的确诊与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多重注意力融合的医学图像分割模型，其特征在于，包括：深度残差网络、空洞卷积空间注意力模块、金字塔扩充模块和双分支融合模块；所述深度残差网络用于对待分割图像进行特征提取，得到不同尺度的多个第一特征图；所述空洞卷积空间注意力模块用于对所述不同尺度的多个第一特征图进行空洞卷积，得到不同尺度的多个第二特征图；所述金字塔扩充模块用于对所述不同尺度的多个第二特征图按照尺度由大到小进行卷积、融合操作，得到不同尺度的多个第三特征图；对所述不同尺度的多个第三特征图按照尺度由小到大进行卷积、融合操作，得到不同尺度的多个第四特征图；所述双分支融合模块用于对所述不同尺度的多个第四特征图进行类别掩码预测和前背景掩码预测，并对类别掩码预测结果和前背景掩码预测结果进行融合，得到图像分割结果。2.如权利要求1所述的模型，其特征在于，所述空洞卷积空间注意力模块包括依次连接的输入层、最大池化及平均池化层和空洞卷积层。3.如权利要求1所述的模型，其特征在于，所述双分支融合模块包括类别掩码预测分支和前背景掩码预测分支；所述类别掩码预测分支包括依次连接的4个卷积层、反卷积层、卷积层；所述前背景掩码预测分支包括依次连接的2个卷积层、全连接层；所述类别掩码预测分支最后一个卷积层输出所述类别掩码预测结果，所述前背景掩码预测分支的全连接层输出所述前背景掩码预测结果。4.一种基于多重注意力融合的医学图像分割方法，其特征在于，包括：将待分割图像输入到基于多重注意力融合的医学图像分割模型中，得到图像分割结果；所述基于多重注意力融合的医学图像分割模型为根据权利要求1
‑
...

【专利技术属性】
技术研发人员：章勇勤，米继宗，刘钰，叶易凤，常明则，
申请(专利权)人：西北大学，
类型：发明
国别省市：