[发明专利]一种基于特征重用和注意力门的医学图像分割方法及其系统

权利要求书

1.一种基于特征重用和注意力门的医学图像分割方法，其特征在于：包括以下步骤：

步骤1、构建基于Unet结构的图像分割模型，包括编码器、解码器、ASPP模块和注意力门；

所述编码器包括4层编码层，从上到下依次为卷积层、DenseBlock1、DenseBlock2和DenseBlock3，其中卷积层与DenseBlock1通过下采样操作连接，DenseBlock之间通过Transition连接，DenseBlock1～3的层数分别为6、12、24；

步骤2、将待分割图像输入步骤1构建的图像分割模型，通过编码器对待分割图像进行编码，得到通道数分别为D、(D+32*6)、(D+32*(6+12))、(D+32*(6+12+24))的子特征图E1～E4，其中D为待分割图像的通道数；

步骤3、将步骤2得到的子特征图E4输入ASPP模块中，得到多尺度特征图M；

步骤4、使用解码器对多尺度特征图M和经过注意力门的子特征图进行上采样和反卷积操作，输出图像分割结果G1；

所述解码器包括3层解码层，解码层对输入进行两次大小为3*3的反卷积与ReLu激活操作，从下到上依次输出G3、G2、G1；每层解码层的输入由上一层解码层的输出经过上采样后，和注意力门的输出连接构成，其中，最低层解码层的输入为多尺度特征图M经过上采样后，和多尺度特征图M以及子特征图E3经过注意力门后的输出连接构成；

所述注意力门接收编码层的输出E和解码层的输出G或多尺度特征图M，输出加权后的子特征图E_i’＝Rsampler(σ₂(φ(σ₁(W_EE_i+W_GG_i))))E_i，G₄＝M；其中σ₁、σ₂分别表示ReLu激活和Sigmoid激活函数，W_E、W_G分别表示步长为2的卷积和普通卷积，φ表示普通卷积，Rsampler表示重采样操作。

2.根据权利要求1所述的一种基于特征重用和注意力门的医学图像分割方法，其特征在于：编码器中，所述卷积层对输入数据进行一次大小为3*3的卷积和ReLu激活操作；DenseBlock对输入数据进行L次非线性转化操作，L为DenseBlock的层数。

3.根据权利要求1所述的一种基于特征重用和注意力门的医学图像分割方法，其特征在于：所述Transition依次进行BN、ReLu激活、1*1卷积和平均池化操作。

4.根据权利要求1所述的一种基于特征重用和注意力门的医学图像分割方法，其特征在于：所述子特征图E_i＝H([x₀,x₁,...,x_l,...,x_L-1]),i＝1,2,3,4；其中H()表示对输入数据依次进行BN、ReLu激活、1*1卷积、BN、ReLu激活和3*3卷积的非线性转化操作；x₀表示DenseBlock的输入数据，x_l表示DenseBlock中第l层的输出，x_l＝H([x₀,x₁,...,x_l-1])，l＝1,2,...,L，LDenseBlock的层数；[x₀,x₁,...,x_l-1]表示进行通道维度上的连接。

5.根据权利要求1所述的一种基于特征重用和注意力门的医学图像分割方法，其特征在于：所述ASPP模块首先通过大小为1*1的普通卷积操作对子特征图E4进行降维；然后分别通过3个大小为3*3的空洞卷积，对子特征图E4提取不同尺度的特征；然后通过池化层、1*1的普通卷积和上采样操作对子特征图E4进行特征提取；最后对上述操作的输出进行叠加后再进行1*1的普通卷积操作，得到多尺度特征图M。