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精确定位具有重要意义。然而，对于一些边缘精度要求高的任务而言，由于依赖框的准确性，容易导致一些非方正的物体分割效果比较差，尤其是对于病灶这种边界不固定、大多成不规则形状分布的目标来说分割性能往往不佳。

技术实现思路

[0004]为了克服现有技术中的至少一个不足，本申请实施例提供一种基于多重注意力融合的医学图像分割方法。
[0005]第一方面，提供一种基于多重注意力融合的医学图像分割模型，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；
[0006]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；
[0007]空洞卷积空间注意力模块用于对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；
[0008]金字塔扩充模块用于对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；
[0009]双分支融合模块用于对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。
[0010]在一个实施例中，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。
[0011]在一个实施例中，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；
[0012]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；
[0013]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；
[0014]类别掩码预测分支最后一个卷积层输出类别掩码预测结果，前背景掩码预测分支的全连接层输出前背景掩码预测结果。
[0015]第二方面，提供一种基于多重注意力融合的医学图像分割方法，包括：
[0016]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；
[0017]基于多重注意力融合的医学图像分割模型为根据上述的基于多重注意力融合的医学图像分割模型；
[0018]在一个实施例中，方法还包括对基于多重注意力融合的医学图像分割模型进行训练，得到训练后的基于多重注意力融合的医学图像分割模型。
[0019]在一个实施例中，对基于多重注意力融合的医学图像分割模型进行训练，包括：
[0020]针对金字塔扩充模块得到的每个第四特征图确定至少一个目标区域，将至少一个目标区域输入到双分支融合模块。
[0021]在一个实施例中，针对每个第四特征图确定至少一个目标区域，包括：
[0022]确定每个第四特征图中的多个预测目标区域框；
[0023]根据真实目标区域框和多个预测目标区域框，计算每个预测目标区域框对应的交并比；
[0024]对所有预测目标区域框对应的交并比按照由大到小进行排序，选取排序靠前的至少一个交并比对应的预测目标区域框，作为至少一个目标区域。
[0025]在一个实施例中，根据真实目标区域框和多个预测目标区域框，计算每个预测目标区域框对应的交并比IoU
new
，采用以下公式：
[0026][0027]其中，S1为预测目标区域框，S2为真实目标区域框，λ为惩罚因子。
[0028]在一个实施例中，对基于多重注意力融合的医学图像分割模型进行训练，包括：
[0029]对包含病灶区的图像切片进行HU指数截断处理、数据扩充处理，得到训练数据。
[0030]在一个实施例中，在模型训练过程中，基于多重注意力融合的医学图像分割模型中的深度残差网络为预训练后的深度残差网络。
[0031]相对于现有技术而言，本申请具有以下有益效果：
[0032]本申请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。
附图说明
[0033]本申请可以通过参考下文中结合附图所给出的描述而得到更好的理解，附图连同
下面的详细说明一起包含在本说明书中并且形成本说明书的一部分。在附图中：
[0034]图1示出了根据本申请实施例的基于多重注意力融合的医学图像分割模型的示意图；
[0035]图2示出了根据本申请实施例的空洞卷积空间注意力模块的示意图；
[0036]图3示出了根据本申请实施例的金字塔扩充模块的示意图；
[0037]图4示出了根据本申请实施例的双分支融合模块的示意图；
[0038]图5示出了本申请与现有技术的图像分割实验结果对比图。
具体实施方式
[0039]在下文中将结合附图对本申请的示例性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施例的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中可以做出很多特定于实施例的决定，以便实现开发人员的具体目标，并且这些决定可能会随着实施例的不同而有所改变。
[0040]在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的装置结构，而省略了与本申请关系不大的其他细节。
[0041]应理解的是，本申请并不会由于如下参照附图的描述而只限于所描述的实施形式。在本文中，在可行的情况下，实施例可以相互组合、不同实施例之间的特征替换或借用、在一个实施例中省略一个或多个特征。
[0042]本申请实施例提供一种基于多重注意力融合的医学图像分割方法，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：