【技术实现步骤摘要】
本专利技术属于图像分割，具体涉及一种基于自适应编码和综合注意力解码的医学图像分割方法。
技术介绍
1、医学图像分割是进行医学影像分析的关键步骤，通过实现对人体器官和病灶等目标区域的分割，为后续诊断和治疗提供了关键证据。常见的医学图像分割任务包括细胞分割、视盘分割、器官分割、病变分割等。但由于医学图像固有的困难，例如：由于成像设备的限制和外界因素的干扰产生噪声与伪影；病灶与周围组织之间对比度低，目标区域边界不明显；病灶的大小、位置和形状通常各不相同。以上因素都可能会导致过度分割或者分割不足。传统的医学图像分割一般都由医学专家手动进行，但由于不同的专家之间存在主观性上的差异，分割的结果也可能因此不同，同时手工分割医学图像是一件极其费时费力的操作。现代医学图像通常使用计算机辅助诊断系统对目标进行自动化分割，避免了对图像前期复杂的预处理过程，从而大大减轻医生的负担，在医学图像分割领域得到了广泛的应用。
2、近年来，受益于机器学习和计算机视觉的快速发展，深度卷积神经网络被广泛应用于医学图像分割任务中并取得显著成就。其中最具代表性的分割网络就是u-net,u-net采用典型的编码器-解码器架构，并在编码器和解码器之间加入跳跃连接以有效弥补卷积和上采样过程中损失的空间信息。u-net凭借其简洁清晰的结构和强大的特征表达能力被广泛应用在多种医学图像分割任务中。但u-net也面临诸多局限，例如：u-net中每一层中的卷积核大小是固定的，感受野也是固定的，而某些层可能需要更大范围的上下文信息；u-net的编解码器结构是对称的，但编码和解
3、针对以上问题，一些改进的网络也相继被提出。例如deeplabv3在网络中应用空洞金字塔池化块(aspp)，在不丢失分辨率的情况下扩大卷积核的感受野从而提取多尺度上下文信息。deeplabv3+借鉴了mobilenet的思想将普通的卷积替换为深度可分离卷积，在保证网络性能的前提下大大减少参数量，但深度可分离卷积需要比普通的卷积多保存一层中间特征图，因此对网络的内存提出了额外的要求。注意力机制通过模拟人眼关注感兴趣区域抑制无关背景，利用有限的注意力资源从大量信息中筛选出更有用的信息，能被用于缓解编码器与解码器之间的语义鸿沟。目前主流的注意力机制包括空间注意力、通道注意力、尺度注意力以及自注意力，它们关注的方面不同但目的都是为了强调更相关的信息。为了结合通道注意力和空间注意力的优点，卷积注意力机制模块(cbam)在通道注意力后串联空间注意力机制。上述这些方法只涉及一个维度上的注意力或者只是将几个注意力机制简单地合并在一起，不能有效地发挥他们各自的作用。所以本专利技术综合以上方面，利用多尺度信息，通过分模块的方式将多种注意力机制有机结合起来，以便提高模型的准确率。
技术实现思路
1、专利技术目的：本专利技术提供一种基于自适应编码和综合注意力解码的医学图像分割方法，使网络在编码过程中能提取有强大表征能力的候选特征，在解码过程中能充分利用多种注意力机制的优点，从而精确定位出目标并精细分割出病灶边界。
2、技术方案：本专利技术所述的基于自适应编码和综合注意力解码的医学图像分割方法，包括以下步骤：
3、(1)对预先获取的医学图像进行预处理和数据增强；
4、(2)构建基于编码器-解码器结构的医学图像分割网络aa-net；包括自适应校正模块和综合注意力模块；所述综合注意力模块包括三分支选择性尺度子模块和四分支注意力子模块；将增强后的医学图像首先输入至编码器中的自适应矫正模块进行编码，提取具有强大表达能力的候选特征；候选特征通过跳跃连接进入综合注意力模块，并与解码的特征进行融合，得到输出的预测标签图；
5、(3)对医学图像分割网络aa-net进行训练，训练迭代过程中根据损失函数对网络进行反向传播并更新网络权重；
6、(4)在每一轮次的训练中都在验证集上计算图像预测结果与真实标签的损失，并保存损失最小的一次网络权重；
7、(5)测试网络，保存的网络权重装载进模型，将待分割的医学图像输入至模型得到病灶分割结果。
8、进一步地，所述步骤(1)实现过程如下：
9、首先把每张图像复制三份，尺寸分别缩放为264×264、352×352和440×440，从而将数据集扩充至原来的三倍，随后使用包括将图片旋转、翻转、数据归一化以及数据标准化的方式进行数据增强。
10、进一步地，步骤(2)所述的自适应矫正模块包括分支a和分支b两个分支；所述分支a由两个3×3卷积组成，其中第一个卷积将输入特征的通道数降至原通道数的1/4从而减少参数量；所述分支b由下采样、一个3×3卷积和上采样三部分组成；分支b的感受野为6×6，将通过分支b感受野更大的特征用相乘的方式来矫正分支a中第一次3×3卷积后感受野较小的中间特征，其中分支b公式如下：
11、l2＝s[us(bn(conv(ds(i))))]
12、其中，ds为下采样，具体操作是2×2的最大池化；conv为3×3的卷积；bn为批归一化；us为上采样，具体操作为2倍双线性插值，用于恢复特征大小。
13、进一步地，步骤(2)所述解码器具体包括五个解码层，每个解码层都由一个综合注意力模块和一个上采样模块组成；
14、所述综合注意力模块，首先用1×1的卷积将通道数降为原来的1/8，再通过三分支选择性尺度子模块捕获尺度注意力，经过该模块后特征图的每个通道都融合了不同尺度的信息；之后四分支注意力子模块对特征图并行提取跨维交互注意力、空间注意力和通道注意力；最后用1×1的卷积将通道数扩大至原来的2倍，并加入残差连接防止梯度消失；
15、所述上采样模块，采用子像素卷积实现，特征图经过一个上采样模块，高度和宽度变为原来的2倍。
16、进一步地，步骤(2)所述预测标签图由第5个解码层输出。
17、进一步地，所述三分支选择性尺度子模块实现过程如下：
18、令三分支选择性尺度模块的输入特征为i，其大小为c×h×w，其中c、h和w分别是特征i的通道数、高度和宽度；
19、特征i分别进入三个分支，这三个分支分别由一个、两个、三个3×3的卷积组成，得到三个相同大小的特征图u1、u2、u3，这三个特征的感受野分别是3×3、5×5、7×7；
20、将u1、u2、u3逐像素相加得到聚合了多感受野信息的特征u，对u在空间维度上进行全局平均池化，将每个通道上的空间全局信息压缩成一个数字后得到特征s，s的大小为c×1×1；接着使用一个全连接层对特征s做非线性变化并减小通道维度得到中间特征，随后对该中间特征分别做三次全连接操作实现非线性转换并将通道数恢复至c，得到特征y1、y2、y3，其大小为c×1×1；使用softmax函数将y本文档来自技高网...
【技术保护点】
1.一种基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，所述步骤(1)实现过程如下：
3.根据权利要求1所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，步骤(2)所述的自适应矫正模块包括分支a和分支b两个分支；所述分支a由两个3×3卷积组成，其中第一个卷积将输入特征的通道数降至原通道数的1/4从而减少参数量；所述分支b由下采样、一个3×3卷积和上采样三部分组成；分支b的感受野为6×6，将通过分支b感受野更大的特征用相乘的方式来矫正分支a中第一次3×3卷积后感受野较小的中间特征，其中分支b公式如下：
4.根据权利要求1所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，步骤(2)所述解码器具体包括五个解码层，每个解码层都由一个综合注意力模块和一个上采样模块组成；
5.根据权利要求4所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，步骤(2)所述预测标签图由第5个解码层
6.根据权利要求4所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，所述三分支选择性尺度子模块实现过程如下：
7.根据权利要求4所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，所述四分支注意力子模块实现过程如下：
8.根据权利要求1所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，步骤(3)所述加权的损失函数具体为预测标签与真实图像的加权交叉熵损失与加权Dice损失的和，该加权损失函数为图像中的每一个像素都赋予一个相应权重，越是目标边界与周围像素点差异较大的像素，权值越大；为每个像素点分配权重的计算公式如下：
...【技术特征摘要】
1.一种基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，所述步骤(1)实现过程如下：
3.根据权利要求1所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，步骤(2)所述的自适应矫正模块包括分支a和分支b两个分支；所述分支a由两个3×3卷积组成，其中第一个卷积将输入特征的通道数降至原通道数的1/4从而减少参数量；所述分支b由下采样、一个3×3卷积和上采样三部分组成；分支b的感受野为6×6，将通过分支b感受野更大的特征用相乘的方式来矫正分支a中第一次3×3卷积后感受野较小的中间特征，其中分支b公式如下：
4.根据权利要求1所述的基于自适应编码和综合注意力解码的医学图像分割方法，其特征在于，步骤(2)所述解码器具体包括五个解码层，每...
【专利技术属性】
技术研发人员：束鑫，张澳平，李俊娴，诸峰，华伟，
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。