一种基于多尺度跨层注意力融合网络的医学图像分割方法技术

本发明专利技术公开了一种基于多尺度跨层注意力融合网络的医学图像分割方法，属于图像处理技术领域

【技术实现步骤摘要】
一种基于多尺度跨层注意力融合网络的医学图像分割方法


[0001]本专利技术涉及图像处理
，更具体的说是涉及一种基于多尺度跨层注意力融合网络的医学图像分割方法
。

技术介绍

[0002]蜂窝肺是多种肺部疾病的终末期表现，以肺组织破坏和纤维化为特征，在肺中含有大量厚壁囊状空腔，肺腺泡结构完全丧失
。
蜂窝肺的病因是非特异性的，可由多种疾病引起，如特发性间质性肺炎
、
弥漫性肺泡损伤
、
石棉肺
、
间质性肉芽肿
、
嗜酸性肉芽等
。
引起蜂窝肺更典型的病因是间质性肺病
(ILD)
，由于自然环境的恶化，间质性肺病的患病率逐年上升
。
此病病程长，病死率高，临床恢复差，5年生存率小于
50
％
。
[0003]间质性肺疾病的病理病变表现为早期肺泡壁炎症，中期弥漫性间质纤维化，晚期肺泡壁纤维化
。
肺部
x
线检查，特别是高分辨率
CT
检查，可发现双侧密集的细网状结节，特别是肺下叶
。
目前，早期蜂窝肺的诊断多采用计算机断层扫描
(CT)
，但
CT
影像中存在肉眼不易看到的不明显区域，并且蜂窝肺病灶的判断受医生主观经验的影响较大，诊断耗时较长
。
当前，还很少有针对
CT
影像中蜂窝肺病灶自动分割的算法被提出
。r/>因此，一种有效的解决方案是开发一种自动分割
CT
影像中蜂窝肺病灶的算法，以帮助医生准确定位病变区域以便进一步诊断
。
[0004]在现有技术中，使用机器学习和基于卷积神经网络的深度学习方法，在一定程度上对计算机辅助诊疗做出了贡献
。
使用传统机器学习的方法包括：阈值分割方法
、
边缘检测分割方法
、
聚类分割算法和基于可变性模型的分割算法
。
但是基于传统机器学习的医学图像分割方法只能在目标和背景相差很大的情况下才能有效分割，而且这些方法对噪声敏感，且容易造成过度分割
。
随着深度学习的快速发展，已经开发了许多基于深度学习的方法用于医学图像分割，特别是卷积神经网络，它能够自动学习目标的特征表示，从而更快并且更准确的产生分割结果
。U
‑
Net
是医学图像分割中使用最多的网络之一
。U
‑
Net
采用了编码器
‑
解码器结构，包含了重复使用卷积组成的收缩路径和扩张路径，并通过跳跃连接融合编码器和解码器中对应层的特征
。
由于
U
‑
Net
在医学图像分割领域的优秀表现，许多基于
U
‑
Net
的分割方法被提出，包括
U
‑
Net++
，
R2U
‑
Net
，
TransU
‑
Net。U
‑
Net++
在
U
‑
Net
中使用了密集连接，用于向解码器部分提供正确的语义和粗略分级的信息
。
此外，
U
‑
Net++
还在子网络的最后一层收集分割图，并上采样到和输入图像同等大小，以便进行深度监督
。
虽然该网络能通过密集连接获得不同尺度的信息，但却忽略了医学图像像素之间的通道信息和空间信息
。R2U
‑
Net
是另一种
U
‑
Net
的变体，它主要使用了残差网络和循环网络中的结构来改进
U
‑
Net
，此网络利用了残差连接解决了梯度消失的问题，并利用了循环卷积块来学习上下文信息，但是由于卷积的限制，该网络也无法获取图像的全局上下文信息
。TransU
‑
Net
将
Vision Transformer
加入到
U
‑
Net
中，克服了卷积操作只能提取局部信息的局限，在编码器部分有效地学习到全局空间依赖关系，但是此网络直接将
VIT
加入到
U
‑
Net
的编码器部分，会使卷积块与
VIT
之间产生语义鸿沟，并且单纯的
Transformer
块叠加严重增加了网络的参数量，
降低了计算效率
。
[0005]因此，如何提供一种能够获得更多的语义信息来提高目标分割精度和计算效率的基于多尺度跨层注意力融合网络的医学图像分割方法是本领域技术人员亟需解决的问题
。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于多尺度跨层注意力融合网络的医学图像分割方法，用以解决上述现有技术中存在的技术问题
。
[0007]为了实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于多尺度跨层注意力融合网络的医学图像分割方法，包括以下步骤：
[0009]S100
：收集带有蜂窝肺病的肺部计算机断层扫描图像，并对所述肺部计算机断层扫描图像进行处理，生成蜂窝肺数据集；
[0010]S200
：
UNeXt
网络框架构建多尺度跨层注意力融合网络模型；
[0011]S300
：基于所述蜂窝肺数据集，采用二分类交叉熵损失函数
BCE loss
以及图像分割任务损失函数
Dice loss
共同训练构建的多尺度跨层注意力融合网络模型；
[0012]S400
：将待分割医学影像输入至训练后的多尺度跨层注意力融合网络模型，得到分割结果
。
[0013]优选的，所述
S100
：收集带有蜂窝肺病的肺部计算机断层扫描图像，并对所述肺部计算机断层扫描图像进行处理，生成蜂窝肺数据集，包括：
[0014]S110
：获取同一台
CT
扫描仪下的有蜂窝肺病的肺部计算机断层扫描图像；
[0015]S120
：调整肺部计算机断层扫描图像的分辨率，并使用遮罩除去图像中患者的隐私信息；
[0016]S130
：随后将肺部计算机断层扫描图像
RGB
彩色掩码转换为二值图像掩码，得到二值化掩码图像并生成蜂窝肺数据集；
[0017]S140
：进行颜色变换和加入随机噪声处理，得到扩充后的蜂窝肺数据集
。
[0018]优选的，所述多尺度跨层注意力融合网络模型包括：多尺度输入模块
、
跨层注意力融合模块以及双向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多尺度跨层注意力融合网络的医学图像分割方法，其特征在于，包括以下步骤：
S100
：收集带有蜂窝肺病的肺部计算机断层扫描图像，并对所述肺部计算机断层扫描图像进行处理，生成蜂窝肺数据集；
S200
：
UNeXt
网络框架构建多尺度跨层注意力融合网络模型；
S300
：基于所述蜂窝肺数据集，采用二分类交叉熵损失函数
BCEloss
以及图像分割任务损失函数
Diceloss
共同训练构建的多尺度跨层注意力融合网络模型；
S400
：将待分割医学影像输入至训练后的多尺度跨层注意力融合网络模型，得到分割结果
。2.
根据权利要求1所述的一种基于多尺度跨层注意力融合网络的医学图像分割方法，其特征在于，所述
S100
：收集带有蜂窝肺病的肺部计算机断层扫描图像，并对所述肺部计算机断层扫描图像进行处理，生成蜂窝肺数据集，包括：
S110
：获取同一台
CT
扫描仪下的有蜂窝肺病的肺部计算机断层扫描图像；
S120
：调整肺部计算机断层扫描图像的分辨率，并使用遮罩除去图像中患者的隐私信息；
S130
：随后将肺部计算机断层扫描图像
RGB
彩色掩码转换为二值图像掩码，得到二值化掩码图像并生成蜂窝肺数据集；
S140
：进行颜色变换和加入随机噪声处理，得到扩充后的蜂窝肺数据集
。3.
根据权利要求1所述的一种基于多尺度跨层注意力融合网络的医学图像分割方法，其特征在于，所述多尺度跨层注意力融合网络模型包括：多尺度输入模块
、
跨层注意力融合模块以及双向注意力门控模块
。4.
根据权利要求3所述的一种基于多尺度跨层注意力融合网络的医学图像分割方法，其特征在于，在
UNeXt
网络框架的编码器中引入所述多尺度输入模块，所述多尺度输入模块用于调整所述肺部计算机断层扫描图像的尺寸后输入到对应编码器层，与对应特征图进行融合
。5.
根据权利要求3所述的一种基于多尺度跨层注意力融合网络的医学图像分割方法，其特征在于，所述跨层注意力融合模块包括：空间注意力子模块以及通道注意力子模块，用于将编码器中相邻两卷积层中浅层特征送入空间注意力模块中，将深层特征送入通道注意力模块，对通道注意力模块输出的特征图进行上采样，并与空间注意力输出的结果进行拼接，将拼接后的结果进行双重卷积，使用残差连接将原特征图与双重卷积后产生的特征图相加，通过一个非线性激活函数得到最终结果，计算过程如下：
Out
＝
ReLU(C2(CAT(SA(F
x
),C1(CA(F
x+1
))))+F
x
)
；式中，
F
x
为浅层特征，
F
x+1
为深层特征，
SA
表示空间注意力模块，
CA
表示通道注意力模块，
CAT
表示连接操作，
C1和
C2分别为用于上采样的
2*2
转置卷积和双重卷积块
。6.
根据权利要求5所述的一种基于多尺度跨层注意力融合网络的医学图像分割方法，其特征在于，所述空间注意力模块中分别获取通道上的最大值和平均值，在空间层面计算注意力值，计算过程如下：
S
out
＝
F
x
*
σ
(C(Cma...

【专利技术属性】
技术研发人员：李钢，张玲，谢金洁，程珪娟，侯瑞祥，张凯如，刘浩，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：