【技术实现步骤摘要】
本专利技术涉及深度学习医学图像分割，具体涉及一种基于空洞卷积注意力机制的医学图像分割方法。
技术介绍
1、ct图像分割的难点在于它的复杂性和多样性。这些难点包括：噪声和伪影、对比度不一致、组织重叠、大小和形状的变异等。一般情况下，医生依靠经验手动分析ct图像，这不仅主观，还耗费时间。因此，近年来研究学者采用医学图像分割方法对该领域进行了广泛的研究。
2、传统的图像分割方法包括阈值分割、区域生长法和边缘分割等算法。然而，这些方法容易受到多种干扰因素影响，对于复杂场景的图像缺乏鲁棒性，其分割精度和准确率无法达到预期水平，最好的分割精度也只能达到0.5左右。
3、随着深度学习的发展，通过应用神经网络模型，计算机设备可以高效处理大量的医学图像，利用神经网络来学习复杂的图像特征，以更好地应对噪声、对比度变化和结构重叠等问题。目前，在医学图像分割领域，基于u-net的方法被广泛应用。然而，传统的u-net结构在上采样部分只简单地叠加同层下采样部分的特征图，导致两层之间的语义信息差异较大，不利于网络的优化，并且速度和精确度仍有改进空间。例如公告号为cn109829918b的专利技术专利，所提出的神经网络结构为例，该结构中层与层之间仅通过简单的堆叠来传递特征，这导致特征信息的利用率较低。因此，在解决医学图像分割问题上，仍存在较大的改进空间。
技术实现思路
1、本专利技术的目的是为了解决上述
技术介绍
中存在的问题，针对u-net网络存在语义信息不全面、上下文信息联系不紧密导致分
2、为达到上述目的，本专利技术提供的技术方案是：
3、一种基于空洞卷积注意力机制的医学图像分割方法，包括如下步骤：
4、s1、选定待进行图像分割的医学图像数据集；
5、s2、对选定的医学图像数据集进行预处理；
6、s3、搭建改进的3d u-net医学图像分割模型，其编码阶段采用空洞卷积(dilatedconvolution)、和卷积注意力(convolutional block attention module)；
7、s4、搭建改进的3d u-net医学图像分割模型，其解码阶段采用转置卷积和残差模块；
8、s5、将步骤s2预处理后的数据输入到步骤s3和步骤s4改进后的3d u-net医学图像分割模型中训练，训练时使用辅助训练策略增强整个分割目标的特征表示，得到最佳的网络模型；
9、s6、使用训练好的3d u-net医学图像分割模型对待检测的图像进行分割，获取最终的图像分割结果。
10、进一步的，步骤s1选定医学图像数据集的具体内容、方法和步骤包括：
11、s11、采用miccai2017lits挑战赛的数据集进行改进3d u-net图像分割模型的有效性判别；
12、s12、采用随机划分方法，以8：1：1的比例将选定的数据集划分训练集、验证集和测试集。
13、进一步的，步骤s2对数据集预处理的具体内容、方法和步骤包括：
14、s21、对训练集和验证集数据进行预处理，采用调窗操作，将灰度值限定在[-200,200]的范围内；
15、s22、对训练集和验证集，进行降采样和重采样操作，并将图像分辨率调整至256x256ppi，同时将切片间隔调整至1mm；
16、s23、根据标签找到目标器官区域的开始和结束切片位置，并在两个方向上向外扩张20个切片，达到增强图像中各个器官对比度的目的。
17、进一步的，步骤s3搭建改进的3d u-net医学图像分割模型的编码阶段的具体内容、方法和步骤包括：
18、s31、在3d u-net编码阶段使用空洞卷积替换原有卷积块，空洞率分别为1、2、3，空洞卷积与常规卷积相比，相同的卷积核大小能够有更大的感受野、获取更多的上下文信息，为了不增加额外的计算量，故卷积核大小设为常规大小3；
19、空洞卷积的感受野计算为：
20、k＝k+(k-1)(r-1)
21、其中k为原始卷积核大小，r为空洞率；
22、s32、通过卷积注意力模块对空洞卷积提取的特征进行调整，卷积注意力模块能够使模型捕捉通道维度和空间维度上的重要特征信息，重点关注感兴趣区域，抑制冗余特征；
23、卷积注意力模块中的通道注意力计算过程如下：
24、mc(f)＝σ(w1(w0(fc_avg))+w1(w0(fc_max)))，fc_out＝f×mc
25、其中，σ表示sigmoid激活函数，w0和w1分别表示共享感知机第1、2层的权重参数，fc_avg和fc_max表示通道描述符，f表示多尺度级联特征，mc表示通道注意图，fc_out表示通道加权特征；
26、卷积注意力模块中的空间注意力计算过程如下：
27、ms(f)＝σ(f7×7×7([fs_avg；fs_max]))，fs_out＝fc_out×ms
28、其中，σ表示sigmoid激活函数，f7×7×7表示卷积核大小为7的三维卷积操作，fs_avg和fs_max表示空间特征映射，ms表示空间注意图，fs_out表示空间加权特征。
29、进一步的，步骤s4搭建改进的3d u-net医学图像分割模型的解码阶段的具体内容、方法和步骤包括：
30、s41、在3d u-net解码阶段使用转置卷积替换原有上采样，捕获和解码更详细的信息。转置卷积为常规卷积的逆运算，对于卷积核尺寸为k，步长s>1，填充padding＝0的标准卷积，等价的转置卷积在尺寸为i′的输入矩阵上进行运算，输出特征图的尺寸为o′，其公式如下：
31、o′＝s(i′-1)+k
32、同时，转置卷积的输入矩阵需要进行padding′＝k-1的填充，相邻元素间的空洞大小为s-1。
33、因此，可以通过控制步长stride来控制上采样倍率。
34、s42、使用残差模块替换普通卷积块，能在加速模型的训练的同时并防止网络退化。
35、进一步的，步骤s5训练3d u-net医学图像分割模型的具体内容、方法和步骤包括：
36、s51、在神经网络中输入训练集和验证集，并使用训练集通过前向传播算法进行3du-net模型训练；然后选择损失函数对输出的预测特征图进行损失计算；根据计算出的损失函数误差值，进行反向传播，并更新网络模型中各参数的值；在训练过程中加入辅助训练策略增强整个目标器官的特征表示；
37、辅助训练策略计算损失方式如下：
38、
39、其中，lossi为隐藏解码层的损失，loss4是最终预测层的损失，alpha为辅助训练的监督系数；
40、s52、模型训练时使用tversky loss损失函数本文档来自技高网...
【技术保护点】
1.一种基于空洞卷积注意力机制的医学图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在于，步骤S1所述选定待进行图像分割的医学图像数据集的具体方法和步骤包括：
3.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在于，步骤S2所述预处理的具体方法和步骤包括：
4.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在于，步骤S3所述编码阶段的具体内容、方法和步骤包括：
5.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在于，步骤S4所述解码阶段的具体内容、方法和步骤包括：
6.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在于，步骤S5所述训练的具体内容、方法和步骤包括：
7.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在于，步骤S6的具体内容、方法和步骤包括：
【技术特征摘要】
1.一种基于空洞卷积注意力机制的医学图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在于，步骤s1所述选定待进行图像分割的医学图像数据集的具体方法和步骤包括：
3.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在于，步骤s2所述预处理的具体方法和步骤包括：
4.根据权利要求1所述的基于空洞卷积注意力机制的医学图像分割方法，其特征在...
【专利技术属性】
技术研发人员：苏贞，何鹏，孔倩倩，邵长斌，陈文健，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
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。