[发明专利]基于双重注意力机制的分割模型建立、分割方法及装置

说明书

本发明属于医疗影像分割领域，公开了一种基于双重注意力机制的分割模型建立、分割方法及装置，分割方法用于获取原始医学图像数据集，对每张原始医学图像标注类别和目标区域获得带标签的医学图像数据集；建立Mask R‑CNN分割网络，Mask R‑CNN分割网络包括特征金字塔网络和双重注意力模块，的双重注意力模块设置在特征金字塔网络的残差块中，的双重注意力模块包括串联的通道关注模块和空间关注模块且的双重注意力模块设置在特征金字塔网络中的卷积残差块和恒等残差块之中；利用带标签的医学图像数据集训练Mask R‑CNN分割网络，训练结束后获得基于双重注意力机制的分割模型。本发明引入了双重注意力机制，优化了分割的边界，而且能减少漏分割、误分割的现象。

技术领域

本发明属于医疗影像分割领域，具体涉及一种基于双重注意力机制的分割 模型建立、分割方法及装置。

背景技术

随着计算机视觉的发展，特别是卷积神经网络表示能力的提升，图像分割 领域已经取得了极大地发展，这为医疗影像的分割应用奠定了坚实的基础。生 物医疗影像分割作为计算机辅助诊断的一项重要而又困难的工作，是进一步获 取诊断信息的关键。在传统的诊疗系统中，医学图像分割需要专业的医生手动 进行，不仅费时费力，还容易受主观因素的影响。然而基于深度学习进行的分 割以其人类不可比拟的速度和越来越高的准确率正成为医生诊断的重要参考 依据。但是，相较于普通图像的分割结果，临床诊断对医疗影像的分割结果的 准确性提出了更高的要求，除此之外，医学图像的高变异性，形态结构的复杂 性和模糊性以及稀缺的标注标签都对医学图像分割提出了极大地挑战。

随着深度卷积神经网络表示能力的不断提升，尤其是全卷积神经网络 (FCNs)的应用，医学图像的分割不断取得突破。例如，U-Net通过设计了一 种‘U’形的网络和增加了一个对称的扩张路径去增强网络的定位表示能力，无 论是需要的数据量，效率还是准确率，都明显优于先前的方法。U-net及其变 体在CT和MRI等医学影像上表现良好，一方面原因是CT和MRI等的影像 语义较为简单，结构较为固定，U-net的skip connection发挥了重要的作用， 另一方面，U-net网络参数少，面对相对较少的医学数据集不容易过拟合。

由于影像中病灶的纹理、颜色、形态、大小变化各异，边界模糊不清楚， 数量有限，因此，卷积神经网络能否提取有效特征信息成为准确分割的关键， 此外，影像拍摄时的伪影，光照(例如光照的强度大小、反光等)，气泡，毛 发遮挡，背景板，标尺等都给分割任务带来了重重困难。对于口腔白斑数据集 来说，白斑分割任务难点在于形态表现出多样性，有颗粒状、皱纸状、疣状等， 斑块的大小不一，界限与周围组织不明显，发生部位多变等。更具有挑战的是， 白斑分割任务只能依靠二维图像提供的信息，难以综合利用诸如质感、触感等 其他维度更抽象的信息。

发明内容

本发明的目的在于提供一种基于双重注意力机制的分割模型建立、分割方 法及装置，用以解决现有技术中的病灶区域的特征提取能力较弱，分割结果不 精确的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于双重注意力机制的分割模型建立方法，包括如下步骤：

步骤1：获取原始医学图像数据集，对每张原始医学图像标注类别和目标 区域获得带标签的医学图像数据集；

步骤2：建立Mask R-CNN分割网络，所述Mask R-CNN分割网络包括特 征金字塔网络和双重注意力模块，所述的双重注意力模块设置在特征金字塔网 络的残差块中，所述的双重注意力模块包括串联的通道关注模块和空间关注模 块且所述的双重注意力模块设置在特征金字塔网络中的卷积残差块和恒等残 差块之中；

步骤3：利用带标签的医学图像数据集训练Mask R-CNN分割网络，训练 结束后获得基于双重注意力机制的分割模型。