[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

说明书

本发明公开了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，通过构建的基于Unet结构的图像分割模型分离医学图像中感兴趣的部分，所述基于Unet结构的图像分割模型以Unet网络结构为基础，包括编码器、解码器、ASPP模块和注意力门，其中编码器部分引入密接连接的卷积网络块，实现编码过程的特征重用，通过ASPP模块扩大感受野，针对编码器的输出进行多尺度特征提取，在编码器与解码器的跳跃连接之间，还设置了注意力门，为特征图中不同的区域赋予不同的权重，使得模型能够更侧重于感兴趣的部分，本方法在网络运行速度不变的条件下，可以提升医学图像的分割精度。

技术领域

本发明属于计算机视觉技术领域，涉及医学图像分割，具有涉及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。

背景技术

医学图像分割是指对医学图像上感兴趣的区域进行像素级分割的过程。Unet网络是医学图像分割领域一种经典的神经网络，包括编码器和解码器部分。其中编码器部分包括一系列的卷积层提取不同层次的语义信息和细节信息。解码器部分通过上采样操作恢复图像分辨率，并且输出分割结果。得益编码部分与解码部分之间的跳跃连接，在Unet网络中高级特征与低级特征可以相互结合，从而减少特征像素的损失。因此Unet网络十分适合用于执行医学图像的分割任务。

然而Unet网络的编码部分通常采用卷积核大小规则的普通卷积，感受野范围固定，导致在特征像素提取时，无法反应物体的真实状态，提取的信息具有一定的局限性，限制了分割精度的提升。此外，虽然跳跃连接的方式可以减少特征像素的损失，但是在编码部分缺少特征重用，仍然存在信息丢失的问题，并且该部分丢失的信息无法在上采样过程恢复。

发明内容

针对现有技术的不足，本发明提出了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，在Unet网络的基础上，对编码部分进行改造，引入特征重用机制，从而提高医学图像的分割精度。

一种基于特征重用和注意力门的医学图像分割方法，具体包括以下步骤：

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；

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；

所述Transition依次进行BN、ReLu激活、1*1卷积和平均池化操作；

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；

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。[x₀,x₁,...,x_l-1]表示进行通道维度上的连接；

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；