[发明专利]基于注意力机制的残差型全卷积神经网络的医学图像分割方法

说明书

本发明提供一种基于注意力机制的残差型全卷积神经网络的医学图像分割方法，对待分割的医学图像进行预处理；构建基于注意力机制的残差型全卷积神经网络，包括特征图收缩网络、注意力网络、特征图扩张网络组；将训练集数据输入残差型全卷积神经网络进行训练得到学习后的卷积神经网络模型；将测试集数据输入所得学习后的卷积神经网络模型，进行图像分割，得到分割后的图像；该方法利用注意力网络将特征图收缩网络中提取的图像特征有效的传递给特征图扩张网络，解决了在图像反卷积过程中，缺乏图像的空间特征的问题，同时注意力网络还能够抑制低层特征图中与分割目标不相关的图像区域，减小了图像的冗余，同时也增加了图像分割的准确率。

技术领域

本发明涉及一种基于注意力机制的残差型全卷积神经网络的医学图像分割方法。

背景技术

医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展，如可视化、三维重建等，而且在生物医学图像的分析中也占有极其重要的地位。近年来,由于深度学习算法在医学图像分割中的应用,医学图像分割技术取得了显著的进展。医学图像分割一般建模为像素级别的多分类问题，其目标是将图像的每一像素区分为预定义的多个类别之一。

传统的医学图像分割方法一般从图像像素邻域小窗提取人为设计的特征再做判别，例如纹理特征。同时，考虑到图像像素间的空间依赖性，研究人员基于低级视觉特征的相似性构建更高级的全局上下文的表征，例如马尔科夫随机场和条件随机场。

目前深度学习在医学图像分割中多数是基于编码器解码器的卷积神经网络。这种网络结构虽然可以获得较好的语义分割结果，但是一旦采用编解码结构，必然会在编码过程明显的降低特征图的空间分辨率，尽管在上采样过程恢复图像的原始分辨率，但是不可避免的会造成空间细节信息的丢失。

同时为减少图像中的背景区域对目标区域干扰，降低图像冗余度也是图像分割中的关键技术。在图像分割中常常包含一个感兴趣区域提取模块。利用神经元之间的密集连接，从原始图像中提取出感兴趣的目标区域。然而，这种方法导致计算资源和模型参数的过度和冗余使用，例如，类似的低级特征被级联中的所有模型重复提取。

目前己有的神经网络结构大多是在己有的网络结构上对网络深度进行一定的改进，通过加深网络层数对网络深度进行加深。实验表明，在一定程度上对于网络层数的加深有助于提高网络训练的准确性，但当层数增加到一定数量时会出现网络性能退化、甚至造成梯度消失的问题。

上述问题是在医学图像分割过程中应当予以考虑并解决的问题。

发明内容

本发明的目的是提供一种基于注意力机制的残差型全卷积神经网络的医学图像分割方法，解决现有技术中存在的在图像反卷积过程中，空间细节信息的丢失，导致缺乏图像的空间特征，同时导致计算资源和模型参数的过度和冗余使用的问题。

本发明的技术解决方案是：

一种基于注意力机制的残差型全卷积神经网络的医学图像分割方法，包括以下步骤：

S1、对待分割的医学图像进行预处理，得到训练集数据、验证集数据和测试集数据；

S2、构建基于注意力机制的残差型全卷积神经网络，包括特征图收缩网络、注意力网络、特征图扩张网络组，其中，特征图收缩网络用于对原始输入图像的特征提取，得到图像特征信息；特征图扩张网络用于对特征图收缩网络提供的图像特征信息的基础上，预测出与原始图像尺寸大小相同的分割图像；注意力网络用于将每层特征图收缩网络中图像特征传递给特征图扩张网络；

S3、将训练集数据输入残差型全卷积神经网络进行训练，得到学习后的卷积神经网络模型；

S4、将测试集数据输入步骤S3所得学习后的卷积神经网络模型，进行图像分割，得到分割后的图像。