【技术实现步骤摘要】
本专利技术属于计算机视觉，特别是涉及一种基于上下文融合感知的ct图像分割方法。
技术介绍
1、早期发现和精确诊断是提高多种疾病治愈率和生存率的关键。即使在高收入国家，肝癌的存活率仍然不理想，近几十年来改善甚微。同时，由于肝脏大部分被右侧肋骨遮挡，常规体格检查无法发现不明显的肝肿瘤，因此早期发现肝癌往往具有挑战性。
2、计算机断层扫描（ct）成像技术的出现为肝肿瘤的诊断带来了革命性的进步。这种扫描技术利用x射线来创建详细的身体图像，使肝脏内部或邻近肿瘤的位置直观可见。然而，由于ct物理测量数据的统计不确定性，ct图像会在成像过程中引入各种噪声（如量子噪声和电子噪声），导致ct图像对比度低，病变区域边界难以分辨。同时，由于大多数早期肿瘤体积较小且病变特征不明显，人眼可能无法在ct图像中准确分辨。这些局限性阻碍了诊断的准确性和效率，并给医生分析疾病和制定治疗方案带来了困难。因此，有必要开发一种精确的ct图像分割方法来解决模糊边界及微小目标分割的难题，为医生完成早期疾病诊断及临床方案制定提供帮助。
3、近年来，许多研究者做出了多角度的尝试去缓解这些问题带来的影响。一方面，针对目标低对比度及噪声带来的模糊边界问题，有学者提出的cpfnet在编码器-解码器结构中加入了两个金字塔模块，可以有效扩大网络的感受野，提高网络的全局信息整合能力，一定程度上缓解ct图像背景噪声的影响；还有学者提出的mci-net加入了多尺度上下文提取模块，通过结合四个级联混合扩张卷积分支来深入捕捉局部细节特征，实现ct图像中部分低对比度特征的有
技术实现思路
1、针对以上技术问题，本专利技术提供一种基于上下文融合感知的ct图像分割方法。
2、本专利技术解决其技术问题采用的技术方案是：
3、一种基于上下文融合感知的ct图像分割方法，所述方法包括以下步骤：
4、s100：构建包含具有编码器和解码器的骨干结构、并行空洞卷积模块pdcm、金字塔融合模块pfm和位置注意力模块pam的ct图像分割模型，利用交叉熵和骰子损失作为混合损失来联合优化模型；
5、s200：获取输入图像，利用改进的resnet编码器对输入图像进行编码，输出不同阶段的编码结果，编码器在各阶段输出的编码结果尺度不同；
6、s300：利用pfm模块分别对编码器不同阶段的编码结果级联并通过不同速率的可分离空洞卷积进行上下文特征融合，将输出与同阶段解码器跳接；
7、s400：利用pdcm模块对编码器最终输出的特征图通过六个不同的分支增强融合，对高阶特征映射经过改造后送入解码器；
8、s500：利用pam模块对解码器输出的各阶段特征图通过多层位置注意力，定位并分割出目标。
9、优选地，s100中利用交叉熵和骰子损失作为混合损失来联合优化模型，具体为：
10、（1）
11、（2）
12、（3）
13、其中，代表交叉熵损失，代表骰子损失，代表混合损失，表示真实标签，表示预测的结果，代表第个像素的真实值，代表第个像素的预测值，代表样本的像素数。
14、优选地，s200中改进的resnet编码器具体为：
15、使用imagenet预训练过的残差网络resnet作为编码器的骨干结构，去除了resnet最后的池化层与全连接层，并将每阶段残差模块提取出的初级特征在下采样操作前输出；
16、为了实现每阶段特征的有效提取，在每阶段残差模块输出的初级特征后添加一个的卷积层和一个relu非线性激活层，得到每阶段的输出特征，，其中代表不同的编码阶段。
17、优选地，s300包括：
18、pfm模块使用连续的卷积层整合骨干结构编码器中每阶段不同尺度的输出特征，再通过双线性插值上采样操作将每阶段特征图的尺度统一后进行拼接，其中每阶段输出特征仅与更深层特征进行上下文融合；再通过不同速率的可分离空洞卷积从不同级别提取深层特征，将输出结果通过一系列卷积和下采样进行整合，并将最后结果与同阶段解码器跳接；其中，连续的卷积层由卷积核为、、卷积及一个批归一化层、一个relu非线性激活层交替构成。
19、优选地，为融合多层上下文信息，模型共使用4个pfm模块，每个模块在数学上表示为：
20、（4）
21、（5）
22、（6）
23、其中，，代表编码器的不同编码阶段，代表编码器每阶段的输出特征，代表经整合后的输出特征映射，代表第个pfm模块经初步整合和级联后的特征图，代表第个pfm模块处理后的输出，，代表级联操作，代表上采样操作，，表示上采样倍数，代表速率为的可分离空洞卷积操作，代表卷积核为、和卷积及批归一化和relu非线性激活的连续操作。
24、优选地，s400包括：
25、在获取编码器最终的高阶输出特征后，通过六个不同的分支对特征进行增强融合，其中五个分支包含不同数量及速率的空洞卷积，最后一个分支为防止梯度消失的残差分支；在每个空洞卷积分支的末尾，使用卷积、批归一化和relu非线性激活的连续操作进行校正；五个空洞卷积分支对高阶特征进行改造后，通过级联的方式进行拼接，再通过一系列卷积操作整合通道，最后与残差分支进行逐元素相加得到输出的特征，作为解码器的输入。
26、优选地，pdcm各分支及输出在数学上可以表示为：
27、（7）
28、（8）
29、（9）
30、（10）
31、（11）
32、（12）
33、（13）
34、其中，为编码器第五阶段的输出特征图，代表第分支的输出，，代表速率为的空洞卷积操作，代表级联操作，代表使用卷积、批归一化和relu非线性激活的连续操作，代表矩阵的逐点相加操作。
35、优选地，s500包括：
36、s510：从解码器各阶段提取输出特征图，使用平均池化和最大池化操作获取各阶段特征图中的第一类特征与第二类特征，通过逐点相加和级联的方式将不同阶段的上下文信息融合为多层混合特征图；
37、s520：多层混合特征图通过位置注意力模块，自适应调整每个位置点的重要性权重，实现对于关键目标的有效感知与定位；最后，将复原后的二维特征图整合到输出图像大小，得到最终的分割结果。
38、优选地，s510具体为：本文档来自技高网...
【技术保护点】
1.一种基于上下文融合感知的CT图像分割方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，S100中利用交叉熵和骰子损失作为混合损失来联合优化模型，具体为：
3.根据权利要求1所述的方法，其特征在于，S200中改进的ResNet编码器具体为：
4.根据权利要求1所述的方法，其特征在于，S300包括：
5.根据权利要求4所述的方法，其特征在于，为融合多层上下文信息，模型共使用4个PFM模块，每个模块在数学上表示为：
6.根据权利要求5所述的方法，其特征在于，S400包括：
7.根据权利要求6所述的方法，其特征在于，PDCM各分支及输出在数学上可以表示为：
8.根据权利要求7所述的方法，其特征在于，S500包括：
9.根据权利要求8所述的方法，其特征在于，S510具体为：
10.根据权利要求9所述的方法，其特征在于，PAM模块整体流程在数学上表示为：
【技术特征摘要】
1.一种基于上下文融合感知的ct图像分割方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，s100中利用交叉熵和骰子损失作为混合损失来联合优化模型，具体为：
3.根据权利要求1所述的方法，其特征在于，s200中改进的resnet编码器具体为：
4.根据权利要求1所述的方法，其特征在于，s300包括：
5.根据权利要求4所述的方法，其特征在于，为融合多层上下文信息，模...
【专利技术属性】
技术研发人员：刘敏，汪嘉正，申文婷，张哲，王耀南，
申请(专利权)人：湖南大学，
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。