[发明专利]一种基于注意力深度特征重建的脑MR图像分割方法

说明书

本发明涉及一种基于注意力深度特征重建的脑MR图像分割方法，包括步骤：S1、获取T1、T2和FLAIR三个模态的脑MR图像数据；S2、对获取到的三个模态的脑MR图像数据进行预处理，得到数据增强的三个模态的脑MR图像数据；S3、将S2中得到的三个模态的脑MR图像数据输入深度编码模型中得到三个模态的脑MR图像卷积特征数据；S4、将S3中获得的三个模态的脑MR图像卷积特征数据输入空间自注意力模块SAM，获得空间自注意力模块修正后的综合各模态的脑MR图像卷积特征数据；本发明提供的图像分割方法通过空间自注意力模块计算任意两个位置之间的交互关系，捕获特征远程依赖性，深度特征重建模块使用深度特征对不同层级的特征进行重新加权，保持不同层级特征的一致性。

技术领域

本发明属于医学图像分割技术领域，尤其涉及一种基于注意力深度特征重建的脑MR图像分割方法。

背景技术

核磁共振成像(MRI)可以拍摄出高对比度、高分辨率的软组织空间图像,是进行结构性脑分析的重要方式。例如，在诊断阿尔茨海默病、癫痫等神经疾病时，需要对脑组织进行核磁共振成像，并对MR图像进行分割和相应的测量。但手动分割来完成上述功能，会非常地耗时并且需要高度的专业知识，因此，自动脑组织分割将极大地帮助医疗诊断和制定治疗计划，也是当前研究的热点。

传统方法中主要使用基于图谱的方法，将待分割图像与图谱配准后进行分割。但是基于图谱实现分割通常需要经过预处理、创建图谱、图像配准和标签融合等步骤，算法的性能会受到这几个步骤中各种因素的影响。很多学者也使用经典机器学习算法进行了大量尝试。大多数基于学习的方法不需配准，而是直接使用训练好的模型对图像进行分割。然而这类方法需要进行复杂的预处理和手工制作图像特征，导致性能往往不如基于配准的方法。

为了解决上述算法的问题，以卷积神经网络为代表的深度模型被广泛引入脑MR图像分割研究中。基于网络体系结构，深度学习类分割方法大致可以分为两类：基于图像块的方法和基于语义分割的方法。基于图像块的方法使用中心像素附近邻域的局部图块作为输入，在一张图像上裁剪出大量图像块，汇总所有图像块的分类信息，得到整体图像像素的密集预测。基于图像块的方法虽然能够丰富训练数据，但由于只使用局部图块，网络无法学习到空间位置信息，会限制网络性能的进一步提高。

为了更好地保留图像空间信息，基于语义分割的方法-全卷积网络(FCN)被引入脑图像分割。然而，一些局限性阻碍了这种方法的有效性，首先，卷积神经网络可以提升高层次特征的抽象表示能力，但高层特征无法充分获取空间信息，在一定程度上降低了医学图像分割的定位能力。其次，卷积神经网络方法往往使用卷积等局部操作来捕获特征，重复使用局部操作导致很难对远距离像素间的关系进行强有力的建模，致使网络性能无法进一步提升。最后，解码阶段只有相邻层级的特征通过通道串联或加和的方式进行结果预测，无法很好地对不同层级的特征进行融合。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于注意力深度特征重建的脑MR图像分割方法，通过空间自注意力模块计算任意两个位置之间的交互关系，捕获特征远程依赖性，深度特征重建模块使用深度特征对不同层级的特征进行重新加权，保持不同层级特征的一致性。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于注意力深度特征重建的脑MR图像分割方法，包括如下步骤：

S1、获取T1、T2和FLAIR三个模态的脑MR图像数据；

S2、对获取到的三个模态的脑MR图像数据进行预处理，得到数据增强的三个模态的脑MR图像数据；

S3、将S2中得到的三个模态的脑MR图像数据输入深度编码模型中得到三个模态的脑MR图像卷积特征数据；