[发明专利]基于注意力增强U型网络的超声乳腺肿瘤自动分割方法

权利要求书

1.基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，其特征在于：包括以下步骤，

步骤(A)，构建用于超声乳腺肿瘤自动分割的注意力增强U型网络模型；

步骤(B)，建立注意力增强U型网络模型的混合注意力损失函数；

步骤(C)，根据注意力增强U型网络模型以及混合注意力损失函数，通过粗细结合策略对注意力增强U型网络模型训练，实现对乳腺超声图像病灶区域分割。

2.根据权利要求1所述的基于注意力增强U型网络的超声乳腺肿瘤自动分割方法，其特征在于：步骤(A)，构建用于超声乳腺肿瘤自动分割的注意力增强U型网络模型，包括以下步骤，

(A1)建立左侧收缩路径，该左侧收缩路径包含左卷积、下采样和左修正线性单元Relu三个运算模块，左卷积运算模块用于提取图像的深层语义特征，网络中所有左卷积预算模块的卷积核大小均为3*3；每个左卷积运算后均需经过左Relu运算模块激活函数，用于增强网络的非线性判别能力；两个3*3左卷积运算后需经过下采样运算模块，在保留主要特征同时降低网络参数，用于防止过拟合，该下采样运算模块采用步长为2的最大池化Maxpooling进行下采样；

(A2)建立右侧扩展路径，该右侧扩展路径包含右卷积、上采样和右Relu三个运算模块，所述右卷积运算模块和右Relu运算模块同于左侧收缩路径的左卷积运算模块和左Relu运算模块，所述上采样运算模块采用2*2反卷积实现，用于扩展特征图尺寸，便于后续的像素级预测；

(A3)建立中间四个注意力门，该四个注意力门从下到上分布，具体对左侧收缩路径的同层特征图x^l，该同层特征图x^l尺寸为H_x*W_x和右侧扩展路径的上一层特征图g，该上一层特征图g尺寸为H_g*W_g，进行尺寸为1*1的卷积运算，将得到的两个特征图相加，送入左Relu运算模块激活函数进行非线性运算；再将左Relu运算模块激活函数输出特征图进行尺寸为1*1的卷积运算，然后经过Sigmoid激活函数，重采样为原尺寸H_x*W_x大小，得到权值矩阵α；最后，将权值矩阵α与收缩路径特征图x^l相乘，得到最终的增强特征图