[发明专利]一种基于加权双重注意机制的甲状腺结节图像分割方法

权利要求书

1.一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，具体包括以下步骤：

S1、采用ResNet50作为骨干网络，将预处理的数据集输入网络，经过卷积、激活和池化层生成特征图，然后将生成的特征图分别送入并行的双重注意机制网络层和ASPP网络层，最后将双重注意力机制网络层得到的特征图进行加操作，然后与ASPP网络层得到的特征图进行融合得到融合特征图；

S2、选取包含甲状腺结节以及其边缘周围的方形区域作为感兴趣区域，经过阈值函数处理得到掩膜图像，然后使用轮廓查找函数来确定甲状腺结节的边缘信息，返回边界点坐标，根据边界点坐标绘制出边界矩阵框，最后选取边界矩阵框的长边作为边长，以边缘信息中的边缘轮廓中心为形心绘制出外平方矩阵框，得到加权注意的ROI区域蒙版；

S3、所述融合特征图与ROI区域蒙版进行相乘操作，得到高语义特征信息图，所述高语义特征信息图进行挤压、卷积和激活操作后，得到一个一维的激励权重矩阵来激活高语义特征信息图的每一层通道，生成基于加权ROI以及双重注意机制的特征注意图，根据特征注意图对甲状腺结节图像进行图像分割。

2.根据权利要求1所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述ASPP网络层包括四个并行的不同空洞率的空洞卷积层和一个全局池化模块。

3.根据权利要求1所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述双重注意机制网络层包括通道注意力模块和位置注意力模块。

4.根据权利要求3所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述通道注意力模块根据不同通道的相关类别特征间的关联性进行不同类别特征强化。

5.根据权利要求3所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述位置注意模块对甲状腺结节的部位组织与周围组织之间的差异性进行增强。

6.根据权利要求1所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述步骤S2中阈值函数采用图像阈值函数cv2.threshhold。

7.根据权利要求1所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述步骤S2中还包括对所述ROI区域蒙版进行外扩，具体过程如下：

S201、获取输入的掩膜图像，将其中外平方矩阵框的边长与边长阈值进行对比，若大于边长阈值转至步骤S202，否则转至步骤S203；

S202、将掩膜图像对应的甲状腺结节判定为大结节，外平方矩阵框外扩第一像素边长作为新的ROI区域蒙版；

S203、将掩膜图像对应的甲状腺结节判定为小结节，外平方矩阵框外扩第二像素边长作为新的ROI区域蒙版。

8.根据权利要求1所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述高语义特征信息图T的公式如下所示：

其中，F(x，y)为ROI区域蒙版中位置(x，y)上的特征，M为ROI区域蒙版。

9.根据权利要求8所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述激励权重矩阵的计算公式如下所示：

S＝Sigmoid(W₂·ReLU(W₁Y))

其中，H、W、C分别为高语义特征信息图T的长度、宽度和通道数，S为激励权重矩阵，W₁和W₂为激励权重，经过ReLU激活函数和Sigmoid函数进行模型训练学习，得到一维的激励权重矩阵。

10.根据权利要求9所述的一种基于加权双重注意机制的甲状腺结节图像分割方法，其特征在于，所述步骤S3中还包括通过分割损失函数来约束整体模型对甲状腺结节的注意力。