[发明专利]一种基于多注意力的U型网络的CT肿瘤图像分割方法及系统

说明书

本发明公开了一种基于多注意力的U型网络的CT肿瘤图像分割方法及系统，首先，建立包含原始CT图像及肿瘤分割结果的数据集；其次，构建多注意力机制的U型网络模型；然后，构建U型网络模型的损失函数，接下来，采用训练数据集对U型网络模型进行训练；最后，将训练好的模型集成到软件中，实现肿瘤分割的可视化。本发明是一种可以自动对CT图像进行分割的方法，核心为改进的U型网络结构模型，该模型在UNet的基础上，增加注意力机制，扩增长距离的跳跃链接，以提取图像的主要信息并提供较大的感受野，解决了UNet对于距离较远像素间缺少运算的问题，改进后的模型嵌入到图形用户界面中，有效解决了阅片困难的问题。

技术领域

本发明属于医学图像处理技术领域，涉及一种基于多注意力的U型网络的CT肿瘤图像分割方法及系统。

背景技术

现有的肝脏肿瘤分割主要分为基于机器学习的方法与基于深度学习的方法两种。其中基于机器学习的传统方法有阈值分割、水平集、聚类等，这些方法一般要依赖于医生指定感兴趣区域或种子点等，属于半自动化的方法，分割效率低。CT图像还存在边界模糊等因素，导致传统的方法处理后的影响精度相对较低。随着计算机计算能力的增加，深度学习技术不断发展，近年来，越来越多的研究人员开始着手于利用深度学习进行肝脏肿瘤的自动分割。而卷积具有感受野较小的缺点，导致无法建立远距离像素连接，并且，肿瘤在影像学的表现中往往存在边界模糊的问题，导致现有的方法，易出现肿瘤边界出的欠分割或过分割现象。而且建立的模型往往缺少图形界面的展示，导致难以应用。

发明内容

本发明的目的在于解决现有技术中卷积具有感受野较小的缺点，导致无法建立远距离像素连接，并且肿瘤在影像学的表现中往往存在边界模糊的问题，导致现有的方法，易出现肿瘤边界出的欠分割或过分割现象的问题，提供一种基于多注意力的U型网络的CT肿瘤图像分割方法及系统。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明提出的一种基于多注意力的U型网络的CT肿瘤图像分割方法，包括以下步骤：

基于UNet网络构建多注意力机制的U型网络模型；

根据U型网络模型构建U型网络模型的损失函数；

将CT图像输入至U型网络模型中，输出分割后的CT图像，实现CT图像中的肿瘤分割。

优选地，多注意力机制的U型网络模型包括Unet Backbone模块、visualattention模块和blending attention模块。

优选地，构建Unet Backbone模块如下：共五层结构，前四层包括两个卷积模块一个池化模块，最后一层包括两个卷积层；第一层结构的输出作为第二层结构的输入与visual attention 1的输入，第二层结构的输出作为第三层结构的输入与visualattention 2的输入，第三层结构的输出作为第四层结构的输入与visual attention 3的输入，第四层结构的输出作为第五层结构的输入与visual attention 4的输入，第五层结构的输出作为visual attention5的输入与整体结构的输出；

其中，第一至第四个卷积模块均由2个大小为3×3的卷积层和1个大小为2×2的最大池化层依次连接组成，第五个卷积模块由2个大小为3×3的卷积层依次连接组成。

优选地，构建visual attention模块如下：由多个分支组成，每一层分支由一个不带空洞的卷积A与一个带空洞的卷积B组成的注意力机制构成，卷积A输出为卷积B的输入，卷积B的输入进行Sigmoid操作后与卷积A的输出相乘作为该分支的输出，各个分支的输出由一个卷积进行整合；进行整合的卷积核大小为1*1；