[发明专利]一种用于脑肿瘤图像分割的方法及系统

说明书

本发明属于医学图像分割技术领域，提供了一种用于脑肿瘤图像分割的方法及系统。其中，该方法包括提取脑肿瘤图像的多尺度信息；基于所述多尺度信息分别对脑肿瘤图像进行编码操作，以提取对应尺度信息的高语义特征并生成对应尺度信息的图像表示；从多尺度信息的图像表示中提取低语义特征，分别与所述高语义特征结合；基于空间‑通道注意力机制分别对结合的特征进行空间和通道维度的加权重标定，得到相应注意力特征；将所述注意力特征还原到原始分辨率，通过图像的特征表示得到脑肿瘤图像分割结果。

技术领域

本发明属于医学图像分割技术领域，尤其涉及一种用于脑肿瘤图像分割的方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

脑肿瘤是一种在脑组织中非自然分裂和不正常生长的异常细胞，发病率较高且死亡率超过3％。调查显示脑胶质瘤约占中枢神经系统肿瘤的27％，占恶性肿瘤的81％。脑胶质瘤具有很高的侵袭性和各种不同的组织学亚区域，不同肿瘤的大小、形状、级别和位置差别很大。目前，神经放射专家仍使用人工分割的方法来诊断脑肿瘤。这种方法不仅费时费力而且易受专家个人主观因素影响，导致误判率高、精度有限。因此，迫切需要一种自动化、准确的脑肿瘤分割工具。

临床上通常使用脑部磁共振图像(Magnetic Resonance Imaging，MRI)对患者进行诊断、治疗和预后复查，磁共振图像的多序列有助于医生精准评估肿瘤并计划治疗。脑胶质瘤本身固有的异质性，在多模态MRI图像上体现出具有高度的非均匀性和不规则形状。而且MRI图像存在图像分辨率差、对比度低、伪影及不同成像设备之间的成像差异等产生的噪声问题。针对MRI脑肿瘤图像，传统的分割方法主要是使用小波变换、水平集方法、分水岭方法、大律法以及利用图像图谱方法等。如结合脑胶质瘤图像中的强度分布信息和梯度信息的水平集方法，在保证低维可拓扑性的同时兼顾了肿瘤的分布位置与突出的边缘信息。该种方法能够很好的结合先验知识，但需要人工干预修正结果以及对算法进行后处理。随着医学图像处理和计算机视觉等技术的发展，基于机器学习的方法进一步完善了脑肿瘤分割的自动化，克服了传统方法中需要人工干预的缺陷，如K-均值聚类、支持向量机以及随机森林等方法。但发明人发现，基于机器学习的方法存在对噪声敏感、容易过度分割、过拟合现象明显以及抗噪性与精度不能兼顾的问题，从而影响脑肿瘤图像的分割精度。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种用于脑肿瘤图像分割的方法及系统，其结合空间-通道注意力与残差分组卷积，充分提取了脑部核磁共振图像中的脑肿瘤特征，结合图像肿瘤特征和注意力残差分组卷积神经网络的空间特征信息和通道特征信息，具有更好的分割性能。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种用于脑肿瘤图像分割的方法，其包括：

提取脑肿瘤图像的多尺度信息；

基于所述多尺度信息分别对脑肿瘤图像进行编码操作，以提取对应尺度信息的高语义特征并生成对应尺度信息的图像表示；

从多尺度信息的图像表示中提取低语义特征，分别与所述高语义特征结合；

基于空间-通道注意力机制分别对结合的特征进行空间和通道维度的加权重标定，得到相应注意力特征；

将所述注意力特征还原到原始分辨率，通过图像的特征表示得到脑肿瘤图像分割结果。

本发明的第二个方面提供一种用于脑肿瘤图像分割的系统。

在一个或多个实施例中，一种用于脑肿瘤图像分割的系统，其包括：

多尺度信息提取模块，其用于提取脑肿瘤图像的多尺度信息；