一种基于边缘特征注意力引导的医学图像分割方法及系统技术方案

本发明专利技术属于医学图像处理技术领域，提供了一种基于边缘特征注意力引导的医学图像分割方法及系统。该方法包括，采用编码器对医学图像进行编码；将第一层编码器输出的特征图和第二层输出的特征图进行融合，得到融合特征图，采用边缘特征注意力模块对融合特征图引导，得到注意力特征图；在编码器和解码器之间，通过全局特征重建模块对编码器分割的特征图进行跨级别像素重建，得到全局重构特征；基于全局重构特征，采用权重模块聚合每层解码器输出的特征图的尺度信息和边缘注意力表示，得到权重特征图；将注意力特征图和权重特征图进行融合，得到分割结果。得到分割结果。得到分割结果。

【技术实现步骤摘要】
一种基于边缘特征注意力引导的医学图像分割方法及系统


[0001]本专利技术属于医学图像处理
，尤其涉及一种基于边缘特征注意力引导的医学图像分割方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]医学图像分割是医学图像分析中的一个重要步骤。目前，越来越多的基于深度学习的优秀解决方案被提出来解决医学图像分割得问题，现有的医学图像分割方法主要可分为边缘检测和目标分割两类。
[0004]近年来，U
‑
Net在医学图像分割的任务中广泛应用，但是在U
‑
Net以及大多U
‑
Net变体中，都是直接将低级特征与高级特征进行结合，并没有对边缘特征进行提取。现有的卷积神经网络(CNN)实际上学习的是纹理特征，而不是形状特征，对形状特征进行学习可以提高分割网络的分割精度。很多研究尝试用注意力机制去整合低级特征和高级特征，虽然有了明显得改善但还是仍然存在冗余信息多以及网络参数多等问题。ET
‑
Net方法结合了边缘检测和语义分割，利用了边缘信息。但它忽略了全局信息而且提取边缘信息的结构比较简单，提取到的特征比较少。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于边缘特征注意力引导的医学图像分割方法及系统，其在进行全局信息重建的同时，利用在编码器浅层边缘信息对解码器的分割进行引导，在解码器使用加权聚合模块强调有价值的特征，并聚合多尺度信息，有效解决了学习边缘特征少以及传统U
‑
Net的全局特征提取能力不足的问题。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供一种基于边缘特征注意力引导的医学图像分割方法。
[0008]一种基于边缘特征注意力引导的医学图像分割方法，包括：
[0009]采用编码器对医学图像进行编码；
[0010]将第一层编码器输出的特征图和第二层输出的特征图进行融合，得到融合特征图，采用边缘特征注意力模块对融合特征图引导，得到注意力特征图；
[0011]在编码器和解码器之间，通过全局特征重建模块对编码器分割的特征图进行跨级别像素重建，得到全局重构特征；
[0012]基于全局重构特征，采用权重模块聚合每层解码器输出的特征图的尺度信息和边缘注意力表示，得到权重特征图；
[0013]将注意力特征图和权重特征图进行融合，得到分割结果。
[0014]进一步地，所述得到融合特征图的过程包括：将第一层编码器输出的特征图和第二层输出的特征图进行连接，连接后采用卷积层进行融合，得到融合特征图。
[0015]进一步地，所述采用边缘特征注意力模块对融合特征图引导，得到注意力特征图的过程包括：基于融合特征图，采用ReLU激活函数引入非线性，之后采用卷积层统一特征通道的数量，并采用softmax层获取注意力图；将注意力图和融合特征图进行相乘后，经过卷积层融合，得到注意力特征图。
[0016]进一步地，所述通过全局特征重建模块对编码器分割的特征图进行跨级别像素重建的过程包括：生成一组表示每个类的全局描述符；对于第l级特征图，如果使用该级提取的全局描述符Z
l
进行特征重建，则每个位置的像素将通过Z
l
相互关联；将该级别的全局描述符与所有更高级别的全局描述符相结合，得到跨级别的全局描述符Z
l
'，采用跨级别的全局描述符Z
l
'对特征图中每个位置的像素进行重建，得到全局重构特征。
[0017]更进一步地，所述采用跨级别的全局描述符Z
l
'对特征图中每个位置的像素进行重建，得到全局重构特征的过程包括：预测当前特征图的全局重构，采用跨级别的全局描述符Z
l
'对全局重构后的特征图中每个位置的像素进行重建，得到全局重构特征。
[0018]进一步地，所述基于全局重构特征，采用权重模块聚合每层解码器输出的特征图的尺度信息和边缘注意力表示，得到权重特征图的过程包括：基于全局重构特征，将每层解码器输出的特征图输入至加权块，首先采用全局平均池化聚合每层编码器的特征图中的全局上下文信息，然后采用ReLU和Sigmoid非线性激活函数估计每层解码器的相关性，并沿通道维度生成权值；将权值与每层编码器的输出相乘，得到权重特征图。
[0019]进一步地，若医学图像为历史医学图像时，对历史医学图像进行预处理，构建训练集和验证集；采用训练集对编码器、解码器、边缘特征注意力模块、全局特征重建模块和权重模块构成的神经网络进行训练；采用验证集验证训练后的神经网络，当真实结果与神经网络输出的结果之间的损失值小于训练过程中的最小损失值时，得到已训练的神经网络。
[0020]本专利技术的第二个方面提供一种基于边缘特征注意力引导的医学图像分割系统。
[0021]一种基于边缘特征注意力引导的医学图像分割系统，包括：
[0022]编码器模块，其被配置为：对医学图像进行编码；
[0023]边缘特征注意力模块，其被配置为：将第一层编码器输出的特征图和第二层输出的特征图进行融合，得到融合特征图，对融合特征图引导，得到注意力特征图；
[0024]全局特征重建模块，其被配置为：设置在编码器和解码器之间，对编码器分割的特征图进行跨级别像素重建，得到全局重构特征；
[0025]权重模块，其被配置为：基于全局重构特征，聚合每层解码器输出的特征图的尺度信息和边缘注意力表示，得到权重特征图；
[0026]融合模块，其被配置为：将注意力特征图和权重特征图进行融合，得到分割结果。
[0027]本专利技术的第三个方面提供一种计算机可读存储介质。
[0028]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于边缘特征注意力引导的医学图像分割方法中的步骤。
[0029]本专利技术的第四个方面提供一种计算机设备。
[0030]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于边缘特征注意力引导的医学图像分割方法中的步骤。
[0031]与现有技术相比，本专利技术的有益效果是：
[0032]本专利技术在进行全局信息重建的同时，利用在编码器浅层边缘信息对解码器的分割进行引导，在解码器使用加权聚合模块强调有价值的特征，并聚合多尺度信息，有效解决学习边缘特征少以及传统U
‑
Net的全局特征提取能力不足的问题。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1是本专利技术示出的基于边缘特征注意力引导的医学图像分割方法的流程图；...

【技术保护点】

【技术特征摘要】
1.一种基于边缘特征注意力引导的医学图像分割方法，其特征在于，包括：采用编码器对医学图像进行编码；将第一层编码器输出的特征图和第二层输出的特征图进行融合，得到融合特征图，采用边缘特征注意力模块对融合特征图引导，得到注意力特征图；在编码器和解码器之间，通过全局特征重建模块对编码器分割的特征图进行跨级别像素重建，得到全局重构特征；基于全局重构特征，采用权重模块聚合每层解码器输出的特征图的尺度信息和边缘注意力表示，得到权重特征图；将注意力特征图和权重特征图进行融合，得到分割结果。2.根据权利要求1所述的基于边缘特征注意力引导的医学图像分割方法，其特征在于，所述得到融合特征图的过程包括：将第一层编码器输出的特征图和第二层输出的特征图进行连接，连接后采用卷积层进行融合，得到融合特征图。3.根据权利要求1所述的基于边缘特征注意力引导的医学图像分割方法，其特征在于，所述采用边缘特征注意力模块对融合特征图引导，得到注意力特征图的过程包括：基于融合特征图，采用ReLU激活函数引入非线性，之后采用卷积层统一特征通道的数量，并采用softmax层获取注意力图；将注意力图和融合特征图进行相乘后，经过卷积层融合，得到注意力特征图。4.根据权利要求1所述的基于边缘特征注意力引导的医学图像分割方法，其特征在于，所述通过全局特征重建模块对编码器分割的特征图进行跨级别像素重建的过程包括：生成一组表示每个类的全局描述符；对于第l级特征图，如果使用该级提取的全局描述符Z
l
进行特征重建，则每个位置的像素将通过Z
l
相互关联；将该级别的全局描述符与所有更高级别的全局描述符相结合，得到跨级别的全局描述符Z
l
'，采用跨级别的全局描述符Z
l
'对特征图中每个位置的像素进行重建，得到全局重构特征。5.根据权利要求4所述的基于边缘特征注意力引导的医学图像分割方法，其特征在于，所述采用跨级别的全局描述符Z
l
'对特征图中每个位置的像素进行重建，得到全局重构特征的过程包括：预测当前特征图的全局重构，采用跨级别的全局描述符Z
l
'对全局重构后的特...

【专利技术属性】
技术研发人员：吕蕾，齐瑞雪，刘倩，耿冲，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：