[发明专利]基于多尺度级联特征注意策略的三维肝脏语义分割方法

权利要求书

1.一种基于多尺度级联特征注意策略的三维肝脏语义分割方法，其特征在于，包括如下步骤：

S1、选定待进行肝脏分割的医学图像数据集，将其随机划分为训练集、验证集；

S2、将划分的医学图像训练集和验证集进行预处理，增强图像中各个器官的对比度，并输入神经网络模型；

S3、神经网络模型编码阶段，通过多尺度级联特征注意模块捕获输入图像的肝脏特征图；

S4、神经网络模型解码阶段，通过具有残差结构的转置卷积得到肝脏的分割图像，并利用深度监督策略优化神经网络模型；

S5、神经网络模型跳跃连接阶段，通过注意门模块对编码阶段捕获的肝脏特征图进行特征细化，并将其作为解码阶段的输入，得到肝脏的分割图像；

S6、对神经网络模型得到的肝脏分割图像进行后处理，填充孔洞，去除假阳性分割结果，得到最终的肝脏分割掩码。

2.根据权利要求1所述的基于多尺度级联特征注意策略的三维肝脏语义分割方法，其特征在于，步骤S1中所述随机划分的方法是：通过种子对选定的医学图像数据集进行随机排列，并以9：1的比例划分为训练集和验证集。

3.根据权利要求1所述的基于多尺度级联特征注意策略的三维肝脏语义分割方法，其特征在于，步骤S2中所述预处理的方法和步骤包括：

S21、对训练集和验证集数据进行调窗处理，把灰度值设置在[-200,200]范围内；

S22、对训练集和验证集数据进行降采样和重采样操作，将图像分辨率调整为256x256ppi，切片间隔调整为1mm；

S23、针对计算机显存大小，在每一例训练数据中随机选择48张连续的切片作为神经网络模型的输入。

4.根据权利要求1所述的基于多尺度级联特征注意策略的三维肝脏语义分割方法，其特征在于，步骤S3中所述的多尺度级联特征注意模块包括：

S31、通过三条并行的连续卷积路径，即常规卷积路径、空洞卷积路径、残差连接路径，提取多尺度级联特征信息；其中常规卷积路径由三个连续的卷积核大小为3的三维卷积构成，空洞卷积路径由三个连续的膨胀率分别为1、2、3的三维空洞卷积构成，残差路径由一个卷积核大小为1的三维卷积构成；

S32、通过卷积注意模块对常规卷积路径和空洞卷积路径的输出特征进行调整，再将三条路径输出特征进行逐像素相加，得到捕获的肝脏特征图；其中，在卷积注意模块中包含通道注意和空间注意两个模块，首先让将输入特征通过全局平均池化操作和全局最大池化操作得到两种通道描述符，两种通道描述符通过共享感知机进行逐元素相加生成通道注意图，将通道注意图与原始输入特征逐元素相乘，得到通道加权特征，然后将通道注意模块输出特征作为空间注意模块的输入，在通道维度上使用全局最大池化操作和全局平均池化操作聚合特征信息得到两个空间特征映射，然后将两个特征映射基于通道进行拼接并经过卷积核大小为7的卷积层，使用sigmoid激活函数生成空间注意图，再与输入特征逐元素相乘得到空间加权特征；卷积注意模块中的通道注意计算过程如下：

M_c(F)＝σ(W₁(W₀(F_{c_avg}))+W₁(W₀(F_{c_max})))，F_{c_out}＝F×M_c

其中，σ表示sigmoid激活函数，W₀和W₁分别表示共享感知机第1、2层的权重参数，F_{c_avg}和F_{c_max}表示通道描述符，F表示多尺度级联特征，M_c表示通道注意图，F_{c_out}表示通道加权特征；

卷积注意模块中的空间注意计算过程如下：

M_s(F)＝σ(f^7×7×7([F_{s_avg}；F_{s_max}]))，F_{s_out}＝F_{c_out}×M_s

其中，σ表示sigmoid激活函数，f^7×7×7表示卷积核大小为7的三维卷积操作，F_{s_avg}和F_{s_max}表示空间特征映射，M_s表示空间注意图，F_{s_out}表示空间加权特征。