[发明专利]一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法

权利要求书

1.一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法，其特征在于：包括以下具体步骤：

步骤一：腹部多器官的区域粗分割和边缘检测：由多尺度卷积金字塔结构提取三维特征，由基于升采样的区域分支输出多器官粗分割结果，门控循环神经网络基于多尺度三维特征输出多器官轮廓检测结果即轮廓检测概率图；

步骤二：引入语义引导的逐类多尺度注意力机制：为减少底层特征图中的噪声，减轻边缘检测分支的学习负担，从区域粗分割分支引入对应的多尺度高级特征图，进行与底层特征图同样的通道压缩，以获得与特定类别相关的语义级信息，作为门限信号分别对同尺度对应类别的底层特征图实施空间权重重分配；经过注意力门限过滤的多尺度的特征图经升采样和通道压缩后，输入卷积门限循环神经单元，引导其关注与目标类别相关的区域；

步骤三：多分支信息的逐类融合：针对医学影像的多器官分割任务中器官前景和背景体素数量的差异以及各器官的类间不平衡的问题，利用语义分割任务中目标数量较少的特点，设计按类别的区域粗分割和边缘检测信息融合模块，针对器官差异学习不同的三维特征；

粗分割输出和边缘检测输出通道数相等，均为分割类别数，将两个分支的输出按通道级联，形成两倍于类别数的全分辨率激活层；设计逐类的空洞空间金字塔池化模块，其中包含一个全局平均池化、一个常规卷积和三个空洞卷积，每个操作均按类别数分组，每组只对属于特定类别的两个通道的信息进行特征提取，从而保证特定类别的响应能在信息融合中持续地被保留，避免训练被大器官的学习主导并导致小器官信息的丢失；将逐类空洞空间金字塔池化的输出进一步按通道级联，最终由一个分组的卷积层分别将五个通道的信息按类别融合，形成最终的多器官分割结果即多器官最终分割概率预测图；

步骤四：引入多任务损失：给定原始腹部CT影像x、标准分割图gr和标准边缘图gr，步骤三输出的多器官最终分割概率预测图pr，步骤一的轮廓检测概率图pe，Dice损失估计区域分割偏差：其中c指器官，K为目标器官总数量，N为总体素数量；pr是基于两个分支的分割预测，因此L_region监督多尺度卷积金字塔结构、区域分割分支、边缘检测分支和信息融合分支的所有参数；此外，为缓解区域损失造成的类间损失严重不均、训练被大器官主导、准确率和训练稳定性低的问题，引入交叉熵损失估计边缘检测偏差：其中w^c表示类别c的权重，定义为与器官c在一例数据中所占体素比例成反比，提高小的器官或结构的损失，缓解类间不平衡问题；pe的预测值基于边缘检测分支和多尺度卷积金字塔结构，L_edge不仅优化卷积门控循环神经网络的参数，还能在梯度反向传播中优化金字塔结构的卷积核，使其关注局部边缘信息，抑制器官边缘外部的噪声。

2.根据权利要求1所述一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法，其特征在于：步骤一所述的多尺度卷积金字塔结构提取三维特征，是交替进行卷积和带步长卷积，通过逐级下采样形成三维特征金字塔，其包含的详细纹理和上下文信息有利于图像的语义分割和器官边缘检测；为了缓解深层网络收敛慢、训练难的难题，采用卷积残差连接将当前卷积层的输入与其输出按通道串联后输入下层卷积，帮助梯度流和信息流的高效传递。

3.根据权利要求1所述一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法，其特征在于：步骤一所述的多器官区域粗分割分支采用交替的反卷积和带步长反卷积，对高度抽象的特征图进行上采样，逐级恢复至全分辨率，输出粗分割预测图；为了恢复降采样、升采样中损失的局部细节信息，自多尺度卷积金字塔结构中引入同尺度的特征图进行结合。

4.根据权利要求1所述一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法，其特征在于：步骤一所述基于门控循环神经网络的边缘分支输出多器官轮廓检测结果，其边缘检测分支对来自卷积金字塔的多尺度特征图进行通道压缩和三线性上采样，将得到的同通道数、全分辨率的特征图视为一个尺度序列，依次输入一个卷积门限循环神经单元，通过重置门和更新门，学习临近尺度间的短相关关联和远距离尺度间的长相关关联，在边缘信号的监督下，保留所有尺度中与器官边缘相关的记忆，并抑制不相关信息的响应。