[发明专利]基于选择性特征交互融合网络的MR图像分割算法

权利要求书

1.一种基于选择性特征交互融合网络的MR图像分割算法，其特征在于，所述算法包括：

将所述多序列MR有标签图像输入至双支路分割网络中进行训练，得到可自动分割所述图像的分割模型；

其中，所述双支路分割网络包括双编码器、解码器、选择性特征交互模块与多尺度引导特征重构模块，所述双编码器分别用于提取所述多序列MR图像中的WP序列特征与OOP序列特征，解码器用于对所述双编码器提取到的图像特征进行融合解码，并分割得到胰腺区域；

采用半监督策略，将无标签的多序列MR图像输入分割模型得到网络预测的伪标签，对伪标签进行不确定性估计与形态学算法的修正，修正后作为伪标签和图像一起送入双支路分割网络中进行微调训练，得到分割能力更强的分割模型。

2.根据权利要求1所述的算法，其特征在于，所述双分支编码器之间设置有选择性特征交互模块，所述选择性特征交互模块用于选择性的交换所述WP序列和所述OOP序列中的图像信息。

3.根据权利要求2所述的算法，其特征在于，所述选择性特征交互模块，包括：

对于每个分支编码器中的每一层提取到的特征，对提取到的特征进行修正，使得修正后的特征强度与另一个分支编码器修正后的特征强度一致；

根据修正后的特征计算每个特征对应的权重；

根据计算得到的权重将提取到的特征与另一分支编码器提取得到的特征进行交互融合，将融合后的特征返回至对应的分支编码器。

4.根据权利要求3所述的算法，其特征在于，所述根据修正后的特征计算每个特征对应的权重，包括：

对修正后的特征进行金字塔池化操作，得到池化后的每个特征；

将池化后的各个特征展平，并拼接得到特征向量；

将所述WP序列图像对应的特征向量和所述OOP序列图像对应的特征向量进行矩阵相乘，得到相似关系矩阵；

根据所述相似关系矩阵获取各个通道的WP序列特征对于OOP特征总体的相似性，以及各个通道的OOP序列特征对于WP特征总体的相似性；

根据获取到的各个相似性确定得到每个特征对应的权重。

5.根据权利要求1所述的算法，其特征在于，所述解码器中在跳跃连接和解码层之间设置有多尺度引导特征重构模块，所述重构模块用于降低低级语义特征的冗余。

6.根据权利要求5所述的算法，其特征在于，包括：

将前一层获取到的高级语义特征与从跳跃连接处获取到的低级语义特征进行归一化操作；

将归一化后的高级语义特征和归一化后的低级语义特征进行融合，得到融合后的语义特征；

通过不同空间提取方式提取融合后的语义特征，得到多种空间注意力特征；

根据获取得到的多种空间注意力特征合成胰腺区域的空间注意力特征；

根据所述空间注意力特征以及所述低级语义特征获取抑制噪声后的语义特征，抑制噪声后的语义特征经过通道注意力模块；

所述通道注意力模块根据抑制噪声后的语义特征的胰腺区域强度生成通道权值；

根据所述通道权值对低级语义特征加权得到通道注意力特征；

根据空间注意力特征以及通道注意力特征，确定重构后的低级语义特征。

7.根据权利要求1所述的算法，其特征在于，所述不确定性估计用于对用无标签数据生成的伪标签的可信度进行评判与修正，所述形态学算法用于修正伪标签，使其变得更为可信。

8.根据权利要求7所述的算法，其特征在于，包括：

根据MR图像的特性，改变窗宽、窗位获取同一病人不同对比度的多种数据；

将所述数据送入双分支网络获得不同的伪标签；

根据所述不同的伪标签间差异性计算原伪标签的不确定性估计值并对原伪标签进行排序；

所述不确定估计值高的数据，分别计算信息熵作为的权重，对所述各种对比下伪标签进行加权，以获得具有更高可信度的标签。

9.根据权利要求7所述的算法，其特征在于，包括：

根据MR图像的上下文信息，获取掩膜；

去除所述掩膜值低的部分，并对处理后的掩膜进行腐蚀膨胀操作；

根据所述腐蚀膨胀后的掩膜对每个伪标签进行修正；

根据所述修正后的伪标签的相邻伪标签，确定最终的可信伪标签。