[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

说明书

本发明涉及基于加权双重注意机制的甲状腺结节图像分割方法，具体过程包括先对原始图像进行预处理，然后输入双重注意力机制的DeeplabV3网络中进行特征提取，接下来对掩膜图像进行处理，获得甲状腺结节的感兴趣区域用于加权机制，最后将获得的加权ROI目标蒙版和特征提取信息图进行相乘操作，忽略不相关的噪声信息，得到最终的加权特征图。与现有技术相比，本发明具有同时考虑图像的全局信息和局部区域联系，并通过感兴趣区域加权算法对结果进一步优化，得到的结果具有较高的准确率和回归率，有效降低甲状腺结节图像分割的误差等优点。

技术领域

本发明涉及医学超声图像分割技术领域，尤其是涉及一种基于加权DeeplabV3双重注意机制的甲状腺结节图像分割方法。

背景技术

近年来，医学图像分割已经成为医学和计算机视觉领域的热门话题之一，吸引了大量学者的兴趣，该领域已经出现了很多优秀的算法，但是由于超声图像利用组织回声成像，噪声干扰严重而且不同器官的超声图像复杂度也不同，因此想要开发出一种极其精准分割超声图像组织的模型仍存在较大的难度。目前，图像分割已经被广泛应用于医学图像领域。

图像分割是图像处理中的一项关键技术，也是一个经典的难关，图像分割是图像分析的第一步，图像处理的后续任务例如目标检测和识别等的好坏，都取决于图像分割的质量。起初图像分割采用传统的方法来实现，近几年随着深度学习的崛起，神经网络应用于图像分割算法中，图像分割也在医学领域广泛应用。

传统图像分割方法包括阈值分割方法、边缘检测方法、区域提取方法等，阈值分割方法就是简单的用一个或者几个阈值将图像的直方图分成几类，然后按照灰度值进行分类，在一个梯度内的灰度值归为一类。边缘检测方法是基于图像不连续性的分割技术，它是通过构造对图像灰度阶跃变化敏感的差分算子来进行图像分割的。区域分割方法的实质就是把具有相似性质的像素连通起来，利用图像的局部空间信息，构成最终的分割区域。

近几年将深度学习应用于图像分割算法获得了不错的成效，基于神经网络分割方法的基本思想是通过训练多层感知机来得到分类决策函数，通过函数来判断像素应该归属哪一类，从而达到分割的效果。深度学习医学图像分割领域比较常用的网络架构有FCN、Unet和DeeplabV3等。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于加权双重注意机制的甲状腺结节图像分割方法，同时考虑了图像的全局信息和局部区域联系，并通过感兴趣区域加权算法的对结果进一步优化，得到的结果具有较高的准确率和回归率，有效降低了甲状腺结节图像分割的误差。

本发明的目的可以通过以下技术方案来实现：

一种基于加权双重注意机制的甲状腺结节图像分割方法，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。

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。