【技术实现步骤摘要】
本专利技术属于医学图像分割，尤其涉及一种基于自动数据增强策略和多注意力辅助unet的胰腺肿瘤分割方法。
技术介绍
1、胰腺肿瘤是一种世界范围内普遍存在且五年生存率较低、预后较差的消化道肿瘤，其发病率和死亡率近年来有明显上升。胰腺肿瘤临床症状隐匿且不典型，是诊断过程中存在很大困难的消化道恶性肿瘤，这导致胰腺癌早期的确诊率不高，在初次诊断及后续诊断中经常误诊，从而延误患者治疗癌症的最佳时机，使得肿瘤发展到中晚期，患者病情迅速恶化。
2、在临床上的胰腺肿瘤影像学筛查中，计算机断层扫描(ct)是一种常见且有效的成像技术辅助诊断工具，特别是在静脉内注射造影剂的增强ct，其提供的高分辨率图像可以显示胰腺结构和异常病变。然而，在实际的胰腺肿瘤医学筛查的图像分析中，由于胰腺深埋在腹腔中心，且病变存在多样性和复杂性，放射科医生在准确检测和分析胰腺肿瘤方面存在较大的困难，这导致胰腺癌的早期确诊率较低。因此，临床上迫切需要一种计算机辅助系统来辅助诊断胰腺肿瘤，以协助医生在临床实践中可以早期发现肿瘤并制定合适的治疗方案。
3、深度学习是机器学习领域中一个新的研究方向，它模仿人脑神经网络的结构和功能，通过多层次的神经网络进行数据学习和模式识别。深度学习的目的是学习样本数据的内在规律和表示层次，让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习可以应用于医学影像分析，通过训练深度学习模型，自动识别和定位人体器官和肿瘤在超声图像、mrl或ct扫描等医学影像中的特征，深度学习模型可以学习从这些影像中提取有关肿瘤
4、在除胰腺和管腔类结构外的大部分人体器官和大部分器官肿瘤分割方面，传统的深度学习医学图像分割方法已经取得较高的分割精度。但是，因为胰腺肿瘤数据集病例数较少，目前用于增加训练集样本量的自动数据增强策略也不太适用于医学图像，并且胰腺肿瘤不同病例间形变比较大，病灶边界不清晰。因此，现有的深度学习方法用于胰腺肿瘤分割时相对来说还存在一些不足之处：
5、(1)传统用于增加训练集样本量的自动数据增强策略主要设计用于自然图像，对医学图像而言并不适配，并且大部分自动数据增强方法最初也是针对图像分类任务设计的，因此目前缺乏一种适用于医学图像分割的自动数据增强策略；
6、(2)基于传统unet及其变体的方法不能克服胰腺肿瘤不同病例间形变较大、病灶边界不清晰的问题，在胰腺肿瘤图像分割领域取得的性能比较有限。
技术实现思路
1、本专利技术的目的在于提供一种基于自动数据增强策略和多注意力辅助unet的胰腺肿瘤分割方法，以解决
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供技术方案如下：
3、一种基于自动数据增强策略和多注意力辅助unet的胰腺肿瘤分割方法所述方法包括以下步骤：
4、步骤1，基于不同胰腺肿瘤患者的病例样本数据及其对应标签构建样本集；
5、步骤2，使用医学图像自动数据增强策略扩充样本集；
6、步骤3，基于扩充样本集训练多注意力辅助u n et模型至模型收敛，更新并保存最优参数权重；
7、步骤4，获取待分割的病例样本数据，并利用训练后的多注意力辅助u n et模型获取胰腺肿瘤分割图；
8、其中，所述多注意力辅助unet模型包括：
9、辅助unet，用于输出原始图像的辅助掩码预测图像的同时，为主unet提供多尺度特征；
10、特征强化层，用于基于辅助掩码预测图像强化原始图像中的相关特征；
11、主u net，用于以特征强化图为输入，结合辅助unet提供的多尺度特征输出主掩码预测图像；
12、特征拼接层，将辅助掩码预测图像和主掩码预测图像进行拼接后，通过卷积调整通道，得到原始图像的最终分割结果；
13、各unet内、辅助unet与主unet间均设置有不同的注意力机制模块层。
14、优选地，所述特征强化层将辅助掩码预测图像和原始图像点乘后，将点乘结果原始图像相加，得到特征强化图。
15、优选地，所述辅助unet提供的多尺度特征分别通过注意力机制层后，与主unet解码器输出的同尺度特征跳跃连接。
16、优选地，所述辅助unet、主unet中，通过编码器输出的特征经多头自注意力模块层处理。
17、优选地，所述主unet的编码器与解码器的跳跃连接中设置有残差注意力门控模块层，该残渣注意力门控模块层的输入为主unet的编码器输出的多尺度特征及解码器中经过上采样处理后对应尺度的特征。
18、优选地所述医学图像自动数据增强策略为随机使用一种限定组合方式从像素增强空间和空间增强空间中分别进行数据增强操作的随机采样。
19、优选地，所述像素增强空间的数据增强操作包括亮度调整、对比度调整、色调分离、图像锐化、高斯模糊和高斯噪声。
20、优选地，所述空间增强空间的数据增强操作包括旋转、水平翻转、垂直翻转、缩放、x轴平移、y轴平移、x轴剪切和y轴剪切。
21、与现有技术相比，本专利技术有益效果为：
22、本专利技术使用适用于医学图像分割任务的自动数据增强策略扩充样本集，防止模型因没有足够样例概括可区分特征而导致模型容易产生过拟合问题的出现；同时，本专利技术的多注意力u n et模型通过使用辅助u net分支为主unet提供更丰富的多尺度信息和强化原始图像相关特征，并使用多种不同形式的注意力机制来分别获取输入图像不同维度语义空间和局部的信息，以克服胰腺肿瘤病灶形变大、边界不清晰的问题。
本文档来自技高网...【技术保护点】
1.一种基于自动数据增强策略和多注意力辅助U N et的胰腺肿瘤分割方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法，其特征在于，所述特征强化层将辅助掩码预测图像和原始图像点乘后，将点乘结果原始图像相加，得到特征强化图。
3.如权利要求2所述的一种基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法，其特征在于，所述辅助U N et提供的多尺度特征分别通过注意力机制层后，与主UNet解码器输出的同尺度特征跳跃连接。
4.如权利要求2所述的一种基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法，其特征在于，所述辅助UNet、主UNet中，通过编码器输出的特征经多头自注意力模块层处理。
5.如权利要求2所述的一种基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法，其特征在于，所述主UNet的编码器与解码器的跳跃连接中设置有残差注意力门控模块层，该残渣注意力门控模块层的输入为主UNet的编码器输出的多尺度特征及解码器中经过上采样处理
6.如权利要求1所述的一种基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法，其特征在于，所述医学图像自动数据增强策略为随机使用一种限定组合方式从像素增强空间和空间增强空间中分别进行数据增强操作的随机采样。
7.如权利要求6所述的一种基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法，其特征在于，所述像素增强空间的数据增强操作包括亮度调整、对比度调整、色调分离、图像锐化、高斯模糊和高斯噪声。
8.如权利要求6所述的一种基于自动数据增强策略和多注意力辅助UNet的胰腺肿瘤分割方法，其特征在于，所述空间增强空间的数据增强操作包括旋转、水平翻转、垂直翻转、缩放、x轴平移、y轴平移、x轴剪切和y轴剪切。
...【技术特征摘要】
1.一种基于自动数据增强策略和多注意力辅助u n et的胰腺肿瘤分割方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于自动数据增强策略和多注意力辅助unet的胰腺肿瘤分割方法，其特征在于，所述特征强化层将辅助掩码预测图像和原始图像点乘后，将点乘结果原始图像相加，得到特征强化图。
3.如权利要求2所述的一种基于自动数据增强策略和多注意力辅助unet的胰腺肿瘤分割方法，其特征在于，所述辅助u n et提供的多尺度特征分别通过注意力机制层后，与主unet解码器输出的同尺度特征跳跃连接。
4.如权利要求2所述的一种基于自动数据增强策略和多注意力辅助unet的胰腺肿瘤分割方法，其特征在于，所述辅助unet、主unet中，通过编码器输出的特征经多头自注意力模块层处理。
5.如权利要求2所述的一种基于自动数据增强策略和多注意力辅助unet的胰腺肿瘤分割方法，其特征在于，...
【专利技术属性】
技术研发人员：余宙，陈仕仲，赵小明，张石清，
申请(专利权)人：杭州电子科技大学，
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。