基于边界引导注意力的编解码器医学图像分割系统及方法技术方案

本发明专利技术涉及一种基于边界引导注意力的编解码器医学图像分割系统及方法，属于医学图像处理技术领域。本发明专利技术包括编码器、解码器、特征增强模块和边界引导注意力模块。医学图像输入编码器中得到不同尺度的特征，并输出至解码器；解码器根据特征完成医学图像分割；在编码器的不同尺度特征输出之后还连接有特征增强模块，用于增强编码器的语义特征，组合不同感受野的语义信息，编码器的特征输出经过特征增强模块后再进入解码器；边界引导注意力模块设置在解码器中相邻的decoder模块之间，用于强化医学图像的边界信息。本发明专利技术在泛化能力和鲁棒性上表现优秀，获得的医学图像分割结果边界清晰，小目标明显。小目标明显。小目标明显。

【技术实现步骤摘要】
基于边界引导注意力的编解码器医学图像分割系统及方法


[0001]本专利技术属于医学图像处理
，涉及一种基于边界引导注意力的编解码器医学图像分割系统及方法。

技术介绍

[0002]卷积神经网络模型可以通过深层的卷积结构来提取图像特征，从而可以学习到更加复杂精细的图像数据表示。全卷积神经网络(Fully Convolutional Networks，FCN)是一种针对图像分割问题的端到端的卷积神经网络结构，在FCN中，全连接层被转化为卷积层，这样可以接收任意大小的输入图像，并输出与输入图像相同大小的分割结果，从而实现端到端的像素级别图像分割。但是FCN也有一些局限性，多倍的上采样导致分割得到的图像损失了很多细节信息，对图像中的细节信息处理不够充分，容易出现模糊或边缘模糊的情况，在处理复杂的背景和噪声环境时，FCN网络的性能可能会受到限制。
[0003]Unet是标准的编码器解码器架构。Unet网络结构对于医学图像分割具有天然优势，因为医学图像通常具有复杂的结构和纹理，并且需要同时分割多个不同的组织或器官，而Unet的编码器
‑
解码器结构可以更好地处理这种多层次、多尺度的信息。因此，在医学图像分割领域，Unet已成为了许多算法的基准网络，而且有许多基于Unet的创新方法得到了广泛应用并取得了优秀的结果，基于Unet的编码器
‑
解码器结构也被广泛创新和应用。接下来将从改进编解码器架构的几个出发点来介绍
[0004]ZHOU等人提出的Unet++将多个Unet集成到一起，这些Unet共享一个编码器，同时它们的解码器也灵活的组织叠加在一起，可以互相共享信息，协作学习。同时Unet++重新设计跳跃连接，新的跳跃结构能够融合不同尺度的特征，相比于Unet相同层次特征的相加来看，具有更好的特征融合效果。
[0005]Fang等人提出一种具有区域约束和边界约束的双解码器网络(SFA)，两个解码器共享一个编码器。在编码器和两个解码器之间通过跳跃连接和将同尺度特征和经过上采样的高级特征进行融合，并在编码器中添加SKM模块，在损失函数上也为预测边界的解码器添加独有的损失函数，使整个网络对边界更敏感，分割结果有清晰的边界
[0006]然而由于医学图像中存在边界模糊，图像对比度低，以及病灶区域或器官的形状、大小、颜色和质地在图像采集的不同阶段变化较大等特性，大多数研究对小目标的分割效果较差，这对疾病的早期检测将会产生重大影响，此外，医学图像病灶区域的边界分割是具有挑战性的，因为在良性区域和边界处的病灶区域之间存在视觉干扰，而清晰的边界对于分割来说非常重要。基于此，现有分割方法性能仍然具有较大的提升空间。

技术实现思路

[0007]有鉴于此，本专利技术的目的在于提供一种基于边界引导注意力的编解码器医学图像分割系统及方法，用于医学图像的精确分割，解决小目标分割难题和边界不明显问题。
[0008]为达到上述目的，本专利技术提供如下技术方案：
[0009]方案一、一种基于边界引导注意力的编解码器医学图像分割系统，其包括编码器、解码器、特征增强模块和边界引导注意力模块。其中编码器用于处理输入医学图像，得到不同尺度的特征，并向输出至解码器；解码器根据特征完成医学图像分割；在编码器的不同尺度特征输出之后连接有特征增强模块，用于增强编码器的语义特征，组合不同感受野的语义信息，编码器的特征输出经过特征增强模块后再进入解码器；边界引导注意力模块设置在解码器中相邻的decoder模块之间，用于强化医学图像的边界信息。
[0010]可选地，编码器采用Res2Net作为特征提取器，医学图像经编码器提取后得到5个不同尺度的特征{Layer
i
,i＝1,2,3,4,5}。
[0011]可选地，该系统包括两个解码器，共享一个编码器；两个解码器中，解码器decoder1用于预测边界，解码器decoder2用于预测病灶区域；其中，在解码器decoder2中，其相邻的decoder模块之间设有边界引导注意力模块，边界引导注意力模块的输入为上一层两个解码器的输出；
[0012]每个解码器均包括4个decoder模块；在解码器decoder1中，其每个decoder模块的输入为上一层的输出和特征增强模块的输出；在解码器decoder2中，其每个decoder模块的输入为边界引导注意力模块的输出和特征增强模块的输出。
[0013]可选地，边界引导注意力模块包括两个卷积层、通道注意力模块和空间注意力模块，输入边界引导注意力模块的特征依次经过两个卷积层、通道注意力模块和空间注意力模块后输出。
[0014]方案二、一种基于边界引导注意力的编解码器医学图像分割方法，根据上述系统对医学图像进行分割，该方法具体为：首先将医学图像输入编码器中提取出5个不同尺度的特征{Layer
i
,i＝1,2,3,4,5}，其中{Layer
i
,i＝1,2}为低级特征，{Layer
i
,i＝3,4,5}为高级特征；然后将低级特征拼接后输入特征增强模块，高级特征则分别输入特征增强模块，特征增强模块的输出分别进入两个解码器decoder1和decoder2中；在解码器decoder2中，加入边界引导注意力模块，其输入为上一层两个解码器decoder模块的输出，边界引导注意力模块的输出与特征增强模块的输出进行拼接后进入解码器decoder2的下一层decoder模块中；同时，引入深度监督对两个解码器的每个decoder模块进行监督；最终解码器decoder2的输出作为最终的医学图像分割图。
[0015]进一步地，在解码器decoder1中，每个decoder模块的输入为上一层decoder模块的输出与特征增强模块的输出的拼接。
[0016]进一步地，特征增强模块中，输入特征经过4个并行的残差分支{b
i
,i＝1,2,3,4}；每个分支b
i
采用以下处理过程：
[0017]1)使用1
×
1卷积降低通道数目；
[0018]2)再经过一个(2i
‑
1)
×
(2i
‑
1)卷积和一个扩张率为2i
‑
1的3
×
3膨胀卷积；
[0019]3)最后再经过一个通道注意力模块；
[0020]将4个分支的特征在通道的维度进行拼接，通过1
×
1卷积将通道数降低32；然后将输出的特征和最原始并经过一个1
×
1卷积降低通道数的特征进行相加，并通过BN层和ReLU函数进行处理，处理后的特征再经过空间注意力模块以减少不相关区域的影响。
[0021]进一步的，边界引导注意力模块使用decoder2上一层解码器的输出特征d
i+1
和decoder1上一层解码器的输出特征d
′
i+1
作为输入；将两个特征进行拼接并通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边界引导注意力的编解码器医学图像分割系统，其特征在于：该系统包括编码器、解码器、特征增强模块和边界引导注意力模块；所述编码器用于处理输入医学图像，得到不同尺度的特征，并输出至所述解码器；所述解码器根据所述特征完成医学图像分割；在编码器的不同尺度特征输出之后连接有所述特征增强模块，用于增强编码器的语义特征，组合不同感受野的语义信息，编码器的特征输出经过特征增强模块后再进入解码器；所述边界引导注意力模块设置在所述解码器中相邻的decoder模块之间，用于强化医学图像的边界信息。2.根据权利要求1所述的医学图像分割系统，其特征在于：所述编码器采用Res2Net作为特征提取器，医学图像经编码器提取后得到5个不同尺度的特征{Layer
i
,i＝1,2,3,4,5}。3.根据权利要求1所述的医学图像分割系统，其特征在于：该系统包括两个解码器，共享一个编码器；两个解码器中，解码器decoder1用于预测边界，解码器decoder2用于预测病灶区域；其中，在解码器decoder2中，其相邻的decoder模块之间设有所述边界引导注意力模块，边界引导注意力模块的输入为上一层两个解码器的输出；每个解码器均包括4个decoder模块；在解码器decoder1中，其每个decoder模块的输入为上一层的输出和特征增强模块的输出；在解码器decoder2中，其每个decoder模块的输入为边界引导注意力模块的输出和特征增强模块的输出。4.根据权利要求1所述的医学图像分割系统，其特征在于：所述边界引导注意力模块包括两个卷积层、通道注意力模块和空间注意力模块，输入边界引导注意力模块的特征依次经过两个卷积层、通道注意力模块和空间注意力模块后输出。5.用于权利要求1～4中任一项所述系统的基于边界引导注意力的编解码器医学图像分割方法，其特征在于：该方法具体为：首先将医学图像输入编码器中提取出5个不同尺度的特征{Layer
i
,i＝1,2,3,4,5}，其中{Layer
i
,i＝1,2}为低级特征，{Layer
i
,i＝3,4,5}为高级特征；然后将所述低级特征拼接后输入特征增强模块，高级特征则分别输入特征增强模块，特征增强模块的输出分别进入两个解码器decoder1和decoder2中；在解码器decoder2中，加入边界引导注意力模块，其输入为上一层两个解码器decode...

【专利技术属性】
技术研发人员：唐述，邱俊霖，冉海亨，周广义，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：