[发明专利]基于多重注意力融合的医学图像分割方法

说明书

本申请涉及一种基于多重注意力融合的医学图像分割方法，通过改进优化注意力等模块来使模型更加关注目标区域，提高模型对感兴趣区域及边界的分割精度；解决了现有的目标检测方法往往倾向于对目标区域的实例进行分割和分类，但是往往边缘精度分割不高的问题，经实验表明，本申请较好地保持了骨干网络的分割结果，在病灶区的分割结果上要明显优于现有方法。

技术领域

本申请涉及图像分割技术领域，具体地，涉及一种基于多重注意力融合的医学图像分割方法。

背景技术

大脑是人类神经系统的核心，脑病灶可能导致永久性脑功能损伤，致使残疾或死亡。脑病灶的精准检测和分割可以帮助量化脑病灶各项病理指标(例如病灶总体积，病灶位置与病灶块数量等)。这些量化指标，与大脑的老化和病理改变密切相关，并且可能对患者的预后提供有用线索，也可进一步用于分析药物干预的效果与指导手术干预方案的设计。脑梗死后出血转化是指急性脑梗死后缺血区血管重新恢复血流灌注导致的出血。急性脑梗死后出血转化是脑梗死自然病程的一部分，也是溶栓等疗法的主要不良反应，不仅与脑梗死预后不良相关，也是多种改善血流疗法使用不足的重要原因。对脑梗死后的出血转化CT图像做出快速的分析和判断关系着医生能否对患者病情做出快速而准确的诊治，因此有必要借助科学的方法来快速分割出血转化区域。

现有技术中使用深度学习自动分割技术进行如脑梗死后出血转化等脑病灶的分割检测，对脑部组织的进一步分析以及脑部疾病的确诊与精确定位具有重要意义。然而，对于一些边缘精度要求高的任务而言，由于依赖框的准确性，容易导致一些非方正的物体分割效果比较差，尤其是对于病灶这种边界不固定、大多成不规则形状分布的目标来说分割性能往往不佳。

发明内容

为了克服现有技术中的至少一个不足，本申请实施例提供一种基于多重注意力融合的医学图像分割方法。

第一方面，提供一种基于多重注意力融合的医学图像分割模型，包括：深度残差网络、空洞卷积空间注意力模块、金字塔扩充模块和双分支融合模块；

深度残差网络用于对待分割图像进行特征提取，得到不同尺度的多个第一特征图；

空洞卷积空间注意力模块用于对不同尺度的多个第一特征图进行空洞卷积，得到不同尺度的多个第二特征图；

金字塔扩充模块用于对不同尺度的多个第二特征图按照尺度由大到小进行卷积、融合操作，得到不同尺度的多个第三特征图；对不同尺度的多个第三特征图按照尺度由小到大进行卷积、融合操作，得到不同尺度的多个第四特征图；

双分支融合模块用于对不同尺度的多个第四特征图进行类别掩码预测和前背景掩码预测，并对类别掩码预测结果和前背景掩码预测结果进行融合，得到图像分割结果。

在一个实施例中，空洞卷积空间注意力模块包括依次连接的输入层、最大池化及平均池化层和空洞卷积层。

在一个实施例中，双分支融合模块包括类别掩码预测分支和前背景掩码预测分支；

类别掩码预测分支包括依次连接的4个卷积层、反卷积层、卷积层；

前背景掩码预测分支包括依次连接的2个卷积层、全连接层；

类别掩码预测分支最后一个卷积层输出类别掩码预测结果，前背景掩码预测分支的全连接层输出前背景掩码预测结果。

第二方面，提供一种基于多重注意力融合的医学图像分割方法，包括：

将待分割图像输入到基于多重注意力融合的医学图像分割模型中，得到图像分割结果；

基于多重注意力融合的医学图像分割模型为根据上述的基于多重注意力融合的医学图像分割模型；

在一个实施例中，方法还包括对基于多重注意力融合的医学图像分割模型进行训练，得到训练后的基于多重注意力融合的医学图像分割模型。