[发明专利]一种基于轻量级孪生网络的医学图像分割方法及装置

权利要求书

1.一种基于轻量级孪生网络的医学图像分割方法，其特征在于，所述基于轻量级孪生网络的医学图像分割方法，包括：

获取用于训练的医学图像样本；

将医学图像相邻两个切片输入到构建的深度神经网络模型进行训练，获得训练好的深度神经网络模型，所述深度神经网络模型包括编码网络和解码网络，所述编码网络包括一个轻量级孪生网络和一个联系模块，所述轻量级孪生网络包括第一分支和第二分支，每个分支包括依次连接的卷积块、第一级轻量级模块、第二级轻量级模块和第三级轻量级模块，两分支对应的各级轻量级模块之间设置有对应第一级差异模块、第二级差异模块和第三级差异模块，所述第一分支的第三级轻量级模块和所述第二分支的各个轻量级模块连接到所述联系模块，所述解码网络包括与所述各级差异模块对应的第一级解码器、第二级解码器和第三级解码器，所述联系模块的输出与第一分支的第三级轻量级模块的输出融合后输入到第三级解码器，所述第三级解码器上采样后输入到第二级解码器，所述第二级解码器上采样后输入到第一级解码器，所述第一级解码器、第二级解码器和第三级解码器的输出经过上采样融合后输入到分类器中进行分类，输出图像分割结果；

采用训练好的深度神经网络模型对医学图像进行分割。

2.根据权利要求1所述的基于轻量级孪生网络的医学图像分割方法，其特征在于，所述第一级差异模块、第二级差异模块和第三级差异模块，执行如下操作：

对来自第一分支和第二分支的两个特征图作元素减法得到差异部分；

将差异部分与来自第一支路的特征图作元素加法得到临时特征图；

将临时特征图经过Sigmoid函数后得到差异特征图。

3.根据权利要求1所述的基于轻量级孪生网络的医学图像分割方法，其特征在于，所述联系模块，执行如下操作：

采用池化操作将第二分支各个轻量级模块输出的各个尺度的特征图统一尺寸，然后拼接起来，经过门限阈值筛选置信度大于置信度阈值的像素之后，再作softmax处理，然后与第一分支第三级轻量级模块输出的特征图作元素乘法，再将得到的结果与第一分支第三级轻量级模块输出的特征图作元素加法，生成输出的特征图。

4.根据权利要求1所述的基于轻量级孪生网络的医学图像分割方法，其特征在于，所述第一级轻量级模块和第二级轻量级模块均分别包括一个轻量级神经网络层和一个池化层；所述第三级轻量级模块包括一个轻量级神经网络层、一个Squeeze and Excitation层和一个池化层。

5.根据权利要求4所述的基于轻量级孪生网络的医学图像分割方法，其特征在于，所述轻量级神经网络层，执行如下操作：

输入分两路，第一路经过一个1*1的卷积块生成特征图F1，继续经过一个深度可分离卷积DWConv生成特征图F2，第二路经过一个深度可分离卷积DWConv生成特征图F3；

所述特征图F2与特征图F3进行连接处理后，依次经过Mish激活操作、深度可分离卷积DWConv操作、Mish激活操作和1*1卷积操作申城特征图F4；

所述特征图F1和特征图F4进行连接处理后输出。

6.根据权利要求1所述的基于轻量级孪生网络的医学图像分割方法，其特征在于，所述深度神经网络模型的损失函数为Loss_total＝L_dif+L_rel+L_Dice，其中：

Loss_total为深度神经网络模型的损失；

L_Dice＝1-Dice；

表示第i级差异模块的损失，0α1，α为的置信度，N为输入切片的总像素数，y_j和为两张输入切片第j个像素，P_seg为深度神经网络模型的分割预测，G_seg为相应的真实值，为联系模块输出的特征图，表示第一分支最后一级轻量级模块输出的特征图，c为联系模块门限中置信度大于置信度阈值的像素数。

7.一种基于轻量级孪生网络的医学图像分割装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求6中任意一项所述方法的步骤。