[发明专利]基于双重边界引导注意力探索的息肉分割方法及系统

说明书

本发明公开了一种基于双重边界引导注意力探索的息肉分割方法及系统，涉及息肉分割技术领域，包括：PVTv2主干提取网络，用于提取主干特征形成特征图；多尺度上下文聚合增强模块MCA，用于融合特征图的相邻两层上下文特征信息，再对融合后的特征信息利用不同扩张速率的扩张卷积获取广泛特征，将多个广泛特征进行聚合获得初步预测分割结果；底层细节增强模块LDE，用于根据初步预测分割结果抑制背景干扰以及捕捉细节信息；双重边界引导注意力探索模块DBE，用于通过采用既定策略获得真实息肉边界；本发明利用一种从粗到细的策略以实现逐层逼近真实息肉边界。

技术领域

本发明涉及息肉分割技术领域，更具体的说是涉及一种基于双重边界引导注意力探索的息肉分割方法及系统。

背景技术

结直肠癌是一种常见的消化道恶性肿瘤，严重危害人类健康，其发病率在所有癌症中排名第三。息肉作为结直肠癌最重要的前体之一，如果不及时治疗，容易转化为恶性肿瘤。结肠镜检查是检测结肠病变的有效方法，可以为医生提供精确的定位信息，以便医生在其癌变前及时切除。然而，结直肠镜检查有时会漏诊息肉。因此，结肠镜图像中息肉的自动准确分割对临床预防结直肠癌具有重要意义。

传统的息肉分割方法通常依赖于手工提取的特征来识别息肉，例如纹理分析、颜色分布、几何特征和强度分布。虽然传统方法取得了相当大的进步，但基于手工特征的这些方法的息肉分割精度仍然较低，泛化能力较差，不能满足临床实践的要求。近年来，随着深度学习的不断发展，基于深度学习的息肉分割方法被证明优于传统手工提取特征的方法。随着U形网络的提出，这种编码解码网络已成为医学图像分割中的主流网络架构。最近，注意力机制越来越多被应用于医学分割，尤其是息肉分割，经常被用于增强息肉的模糊边界，或提取全局和局部特征。PraNet通过并行解码器将高级特征信息聚集在一起以预测粗糙区域，并通过反向注意机制建立息肉边界和内部结构之间的依赖关系。

虽然这些基于深度学习方法的分割精度和泛化能力相较于传统方法有了较大提升，但是这些方法在面对息肉分割的挑战时仍然有不足。首先是边界模糊情况，结肠镜在肠道中移动时，会导致运动模糊和反射等问题，这造成了息肉图像的边界模糊，增大息肉分割难度。其次是息肉多尺度适应性问题。由于息肉组织的大小和形状多变，目前的息肉分割方法对于多尺度特征的提取能力仍存在一定的局限性。最后是息肉与周围正常组织的相性问题。息肉与背景对比度低，其纹理和颜色与周围组织之间高度相似，导致难以识别。

因此，如何克服现有技术中息肉边界模糊、息肉多尺度适应性问题和息肉与周围正常组织相似性问题是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于双重边界引导注意力探索的息肉分割方法及系统，克服上述缺陷。

为了实现上述目的，本发明提供如下技术方案：

一种基于双重边界引导注意力探索的息肉分割系统，包括：PVTv2主干提取网络、多尺度上下文聚合增强模块MCA、底层细节增强模块LDE和双重边界引导注意力探索模块DBE；

所述PVTv2主干提取网络，用于提取主干特征形成特征图；

所述多尺度上下文聚合增强模块MCA，用于融合特征图的相邻两层上下文特征信息，再对融合后的特征信息利用不同扩张速率的扩张卷积获取广泛特征，将多个广泛特征进行聚合获得初步预测分割结果；

所述底层细节增强模块LDE，用于根据初步预测分割结果抑制背景干扰以及捕捉细节信息；

所述双重边界引导注意力探索模块DBE，用于通过采用既定策略获得真实息肉边界。

可选的，所述PVTv2主干提取网络提取的特征包括第一多尺度金字塔特征X1、第二多尺度金字塔特征X2、第三多尺度金字塔特征X3和第四多尺度金字塔特征X4，其中，第一多尺度金字塔特征X1为细节特征；第二多尺度金字塔特征X2、第三多尺度金字塔特征X3和第四多尺度金字塔特征X4为语义特征。