[发明专利]一种基于空间传递自学习的医学图像病变分割方法

权利要求书

1.一种基于空间传递自学习的医学图像病变分割方法，其特征在于，所述的方法包括以下步骤：

步骤1：数据集的采集与制作；

步骤2：将采集的公开数据集进行分析处理，将其进行统一的预处理操作，包括提取ROI、窗宽窗位的调整、裁剪、翻转以及图像尺寸大小的归一化处理；

步骤3：对预处理后的图像按照设定的比例进行划分，分为训练集和验证集；

步骤4：将训练集输入到深度神经网络中进行训练，选取深度残差网络作为编码器进行特征的提取；

步骤5：在深度残差网络前四个残差块后各增加一个注意力机制，使得浅层特征指导深层特征，即学习上下文信息；

步骤6：将深度残差网络第四个残差块后得到的特征图进行切片处理，再进行逐层卷积，实现空间上信息的有效传递；

步骤7：解码器采用上采样和转置卷积，将步骤6中得到的特征图通过上采样来增大图像尺寸，通过转置卷积来获取更高的分辨率特征，并且连接对应的编码层，以弥补编码层导致的信息丢失；

步骤8：将步骤7获得的特征图输入到激活函数中，得到的训练图像的分割结果；

步骤9：直至所述分割模型的损失函数不再收敛，完成深度学习训练；

步骤10：加载训练好的模型参数；

步骤11：将验证集输入到训练好的深度神经网络中进行验证，得到的结果为最终的分割结果。

2.如权利要求1所述的一种基于空间传递自学习的医学图像病变分割方法，其特征在于，所述步骤5中，在深度残差网络前四个残差块后各增加一个注意力机制，使得浅层特征指导深层特征，用A_m表示m层的输出，主要是把长、宽、通道三维特征转换为长、宽两维特征，即通过考虑各通道上激活后的特征值，来确定空间上特征的分布状况，注意力图的获取方法：

相邻两层之间，注意力图的大小不同，通过双线性上采样操作，使得原始图像与上一层的目标图像大小一致，再通过均值平方差MSE损失函数：

其中n为样本数量，y为预测值，为标签值，计算这相邻四层之间的损失(AT Loss)，得到loss1、loss2、loss3，设置他们的权重为α，得到的自学习损失为：

Loss_SL＝α(loss1+loss2+loss3) (3)。

3.如权利要求1或2所述的一种基于空间传递自学习的医学图像病变分割方法，其特征在于，所述步骤6中，特征图的大小为C×H×W，C表示通道数，H表示高度，W表示宽度，从H维度出发，即从上向下传递，将特征图切成H片，然后第一片经过1×k×C的一维卷积操作，第二片特征加上第一片特征卷积输出后，再进行1×k×C的一维卷积操作，以此向下传递，分别对四个方向，即向下,向上,向左,向右四个方向进行上述操作，完成空间上的信息传递。

4.如权利要求1或2所述的一种基于空间传递自学习的医学图像病变分割方法，其特征在于，所述步骤7中，解码器采用上采样和转置卷积，上采样操作通过线性插值来增大图像的大小，转置卷积则使用卷积运算来放大图像，包括1×1卷积、3×3转置卷积和1×1卷积,并且连接对应的编码层，以弥补编码层导致的信息丢失。

5.如权利要求1或2所述的一种基于空间传递自学习的医学图像病变分割方法，其特征在于，所述步骤8中，将步骤4获得的特征图输入到Sigmod激活函数：

其中x为步骤4中得到的值，f(x)为得到训练集的分割结果。

6.如权利要求1或2所述的一种基于空间传递自学习的医学图像病变分割方法，其特征在于，所述步骤9中，将自学习损失与分割损失的和视为网络的总损失进行回归，总损失公式为：

Loss＝Lseg+Loss_SL (5)

其中Lseg表示最终预测结果S与标签真值G之间的损失，公式为：

直至所述分割模型的损失函数不再收敛，完成深度学习训练。