【技术实现步骤摘要】
一种结合特征融合与注意力机制的脑肿瘤图像分割方法
[0001]本专利技术涉及医学图像处理
，尤其涉及一种结合特征融合与注意力机制的脑肿瘤图像分割方法。
技术介绍
[0002]对于脑肿瘤图像分割方面的问题，现阶段采用的方法主要为基于端到端的深度学习方法。随着全卷积网络和UNet网络在医学图像分割领域中的突破，之后在医学图像分割方面的创新都集中在构建无全连接层的全卷积编码器
‑
解码器网络，实现端到端的医学图像分割。其大体流程为在编码器阶段获取图像的细节信息和轮廓信息，然后通过跳跃连接将提取到的特征传递至解码器部分，最后由解码器结合多个尺度的特征进行特征恢复。
[0003]在基于端到端的深度学习方法中，首先编码器提取到的特征含有较多冗余信息，导致分割效果差；其次对于存在严重类别不平衡图像的分割效果不是很理想；最后医学图像缺乏大型标记数据集，导致网络学习能力不强，模型分割准确率低且鲁棒性差。
技术实现思路
[0004]有鉴于此，本专利技术的目的在于提出一种结合特征融合与注意力机制的脑肿...
【技术保护点】
【技术特征摘要】
1.一种结合特征融合与注意力机制的脑肿瘤图像分割方法，其特征在于，包括：步骤一、获取脑肿瘤图像样本及对应的分割掩膜，并对样本及对应的分割掩膜进行处理与分析，获得实际训练集、验证集和测试集；步骤二、基于传统的UNet医学图像分割模型，选取MobileNetV2网络作为UNet医学图像分割模型的特征提取网络，实现深层特征的提取，得到以MobileNetV2为骨干的第一脑肿瘤图像分割网络；步骤三、在所述第一脑肿瘤图像分割网络的基础上，引入注意力机制，得到结合注意力机制的第二脑肿瘤图像分割网络；步骤四、在所述第二脑肿瘤图像分割网络的基础上，结合超列(Hypercolumns)进行多尺度特征融合，得到一种结合特征融合与注意力机制的第三脑肿瘤图像分割网络；步骤五、使用所述训练集对步骤四中的第三脑肿瘤图像分割网络进行模型训练，得到训练好的最优脑肿瘤图像分割模型；步骤六、基于所述脑肿瘤图像分割模型对所述测试集进行预测并输出对脑肿瘤区域分割的结果。2.根据权利要求1所述的一种结合特征融合与注意力机制的脑肿瘤图像分割方法，其特征在于，所述步骤一中并对样本及对应的分割掩膜进行处理与分析，获得实际训练集、验证集和测试集包括：将样本及对应的分割掩膜进行归一化处理，把像素值从[0,255]按比例缩放到[0,1]之间，并将归一化处理后的分割掩膜进行二值化处理，获得处理后的图像样本；将所述处理后的图像样本以9∶1的比例划分出初始训练集和测试集，再将初始训练集以8：2的比例划分为实际训练集和验证集；对实际训练集进行随机旋转、随机水平、竖直平移、随机缩放比例、随机翻转和随机剪裁中的一种或多种数据增强操作。3.根据权利要求1所述的一种结合特征融合与注意力机制的脑肿瘤图像分割方法，其特征在于，所述步骤二中选取MobileNetV2网络作为模型的特征提取网络，实现深层特征的提取，包括：加载MobileNetV2网络在ImageNet数据集上预训练好的权重，将MobileNetV2网络的输入层和线性瓶颈层(linear bottleneck)中的第1个、第3个、第6个的输出结果作为UNet医学图像分割模型网络编码器中四个阶段的输出结果，并将第13个线性瓶颈层作为网络的桥梁，来构建模型的特征提取网络，以实现深层特征的提取。4.根据权利要求1所述的一种结合特征融合与注意力机制的脑肿瘤图像分割方法，其特征在于，所述引入注意力机制包括：引入Spatial and Channel Squeeze&Excitation Block(scSE)注意力机制，scSE是混合注意力机制，包括通道注意力(Spatial Squeeze and Channel Excitation Block,cSE)和空间注意力(Channel Squ...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。