[发明专利]一种基于深度学习的医学超声图像分割方法

权利要求书

1.一种基于深度学习的医学超声图像分割方法，其特征在于，包括以下步骤：

步骤1、对待分割超声图像数据进行预处理，得到训练集、验证集数据；

步骤2、对训练集、验证集数据做数据增强，包括：

1)采用离线增强增加训练数据的数据量：采用旋转变换与水平翻转变换，做10倍增强；

2)利用在线增强增强网络模型的泛化性：采用旋转变换、尺度变换、缩放变换、平移变换、颜色对比度变换，用在线迭代器方式在增强数据多样性的同时减少内存压力；

步骤3、构建多输入多输出空洞卷积U型网络，包括：

1)多输入下采样模块：下采样模块一共4层，多输入采用图像多尺度方法，对输入数据做大小放缩，变为8:4:2:1的四副数据，分别与进网络的一二三四下采样层融合；下采样模块利用卷积层与最大池化层完成底层特征获取，依次获得特征图；每一层的卷积核大小为3×3，采用空洞卷积r＝2，即在常规卷积核中加入间隔从而增加图像感受野，第一层到第四层的卷积核数量大小分别为32、64、128、256；

2)上采样模块：上采样模块一共4层，采用反卷积作为上采样方式，每一层将注意力特征图与上采样特征图做通道连接，进行多维特征融合；上采样模块依次扩大特征图像尺寸，减少通道数量，最终得到与输入数据相同大小的预测图；每一层的卷积核大小为3×3，从第一层到第四层的卷积核数量大小分别为256、128、64、32；

3)深度监督多输出模块：对标签做4次大小变换，形成8:4:2:1的四副数据，依次作为4层上采样的输出层的训练标签；

步骤4、设计特征金字塔注意力模块作为U型网络底层中心模块，公式为：

其中，输入X通过1×1卷积在保证大小不变的同时降低特征图通道维度，得到X₁；采用5×5，3×3，2×2不同大小的卷积核，通过下采样、上采样的U型网络，构造多种感受野的金字塔结构H(X)，并与X₁相乘，以便更好地融合相邻区域的特征；把输入X通过全局平均池化与上采样，作为一路分支X₂与H(X)和X₁相乘的结果通道相加，得到最终金字塔特征注意力输出结果F；

步骤5、将训练集数据输入构建的U型网络进行训练，得到学习后的卷积神经网络模型，并在验证集上进行调参，直到得到最优的模型及其对应参数，获得训练好的U型网络；

步骤6、将预处理后的待分割超声图像数据输入训练好的U型网络，得到分割结果。

2.根据权利要求1所述的一种基于深度学习的医学超声图像分割方法，其特征在于，所述上采样模块还包括通道注意力机制模块，通道注意力机制模块包括：

1)计算门信号图：把高维特征通过1*1卷积，得到U型网络门信号；

2)计算注意力系数：把低维特征2倍上采样，与门信号相加，经过全局平均池化，送入1*1卷积，再进行上采样即可得到注意力系数；

3)计算注意力表征：将注意力系数与低维特征相乘，获得注意力模块的特征结果。