[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

说明书

一种基于空间传递自学习的医学图像病变分割方法，使用在编码层增加残差块的UNet，可以使得网络更好的收敛；为了增加图像中的空间信息，更好的获取医学图像中常见的低对比度和模糊的边界区域，提出一种对特征图进行切片处理再进行逐层卷积，使得特征可以按行或按列方向有效地空间传递的方法；为了充分利用编码层之间的上下文信息，还提出运用注意力自学习方法，在不需要额外的标签和外部监督的情况下，加强其自身表征学习，并且不会增加基本模型的推理时间，从而提高深度神经网络的性能，这也有效的缓解了关于医学图像数据集较小的问题；在解码器结构采用反向卷积，可以学习一种自适应映射来恢复医学图像这种具有更详细信息的特征。

技术领域

本发明涉及计算机视觉人工智能技术领域，特别涉及一种基于空间传递自学习的医学图像病变分割方法。

技术背景

近些年来随着人工智能技术的逐步深入，图像分割技术有了突飞猛进的发展。图像分割技术是计算机视觉领域重要的研究方向，是图像语义理解的重要一环。该技术已经在各行各业得到了广泛的应用，例如：无人驾驶、增强现实、安防监控、医学图像诊断等，本发明主要讨论医学图像病变分割上的应用。

人工智能影像分割模型的训练需要大量、精确的标注数据，但对于医学图像的公开数据集来说，普遍存在样本较小，精标注较少等问题。主要是因为医学图像的病变区域复杂多变、形态不规则、边界模糊、梯度复杂等现象，这不仅增加了分割任务的难度，也增加了标注任务的难度。此外，专业医生的标注不但费时费力而且昂贵，因此，通过训练模型能够有效的减少标注时间和成本。

现今的卷积神经网络模型主要是由卷积块的堆叠构建而成的。一方面，卷积神经网络有强大的特征提取能力，许多模型通过加深网络来提高性能。随着卷积深度的增加，网络的性能的确会有所提升，但是网络的计算量也会随之变得越来越庞大，这不仅对设备性能的要求很高，而且会导致训练时间的延长。与自然图像相比，医学图像包含的信息量更多，对设备的要求会更严格。此外，卷积神经网络还缺少探索图像中空间关系的能力，空间上的信息有利于更好的获取医学图像中常见的低对比度和模糊的边界区域。另一方面，编码器浅层注意力较为分散，深层注意力较为集中，随着网络的下采样，这些编码层之间丰富的上下文信息也会随之丢失。如果一味的学习高层特征，而忽略丰富的上下文信息，那么模型很难在具有挑战性的医学图像病变分割场景中成功。

除了提高分割网络的性能，如何获取更多的空间信息，如何获取编码层之间丰富的上下文信息，在具有挑战性的医学图像病变分割数据集中是一个非常有意义的研究课题。

发明内容

为了克服现有技术的不足，UNet在医学图像处理中的表现已经非常出色，能够有效地解决医学图像中样本少的问题，但针对医学图像中病变分割还有待改进，所以本发明提出了基于UNet网络结构的一种改进，首先，本发明使用在编码层增加残差块的UNet，可以使得网络更好的收敛；其次，为了增加图像中的空间信息，更好的获取医学图像中常见的低对比度和模糊的边界区域，本发明提出一种对特征图进行切片处理再进行逐层卷积，使得特征可以按行或按列方向有效地空间传递的方法。另外，为了充分利用编码层之间的上下文信息，本发明还提出运用注意力自学习方法，在不需要额外的标签和外部监督的情况下，加强其自身表征学习，并且不会增加基本模型的推理时间，从而提高深度神经网络的性能，这也有效的缓解了关于医学图像数据集较小的问题；最后，在解码器结构采用反向卷积(也称转置卷积)，可以学习一种自适应映射来恢复医学图像这种具有更详细信息的特征。

本发明解决其技术问题所采用的技术方案是：

一种基于空间传递自学习的医学图像病变分割方法，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(Region of Interest，感兴趣区域)、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；