[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

说明书

本发明涉及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，包括如下步骤：选定待进行肝脏分割的医学图像数据集，将其划分为训练集和验证集；对训练集和验证集中的肝脏图像进行预处理；在编码阶段，利用多尺度级联特征注意模块捕获肝脏不同层次的特征信息；构建带有注意门模块的跳跃连接，利用不同阶段的特征信息进行特征细化，减少语义差距；在解码阶段，利用转置卷积、残差结构和深度监督机制定位肝脏特征，并优化网络分割；对得到的肝脏分割图像进行后处理。本发明方法具有提高三维肝脏图像分割效果的特点，实现了较好的自动化分割效果，并可以辅助医生进行诊断。

技术领域

本发明涉及医学图像处理技术领域，特别是涉及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。

背景技术

随着深度学习算法在近几年取得不断突破，卷积神经网络(ConvolutionalNeural Network，CNN)在目标检测和图像分割等领域表现出了优异的效果。因此，许多的研究学者也将CNN应用于医学图像分割领域，在多种医学图像分割任务上取得了不错的结果。2015年，全卷积神经网络(Fully Convolutinal Networks，FCN)以一种端到端的形式进行语义分割，受到了广泛的关注和应用。随后，U-Net卷积网络被提出，该网络包括一个用于捕获特征信息的编码路径和一个能够精确定位的解码路径，在编码路径之间使用跳连接融合不同层级的特征信息，减少信息损失，使得U-Net在像素定位上更加准确，已成为医学图像分割中的主流方法。注意力机制模仿了人类对场景感知和观察过程，通过快速扫描场景，选择性地关注显著区域，以更好地捕捉场景结构。医学图像所包含的目标区域和背景区域差距较大，且存在着目标形状多变、边界模糊等特点，所以注意力机制在医学图像分割领域的应用愈加广泛。AttentionU-Net使用注意门模块融合不同层级的特征信息，抑制输入图像中的无关区域，突出有利于分割目标的显著特征，实现了器官的精确定位和分割。卷积块注意力模型(convolutionalblockattentionmodule，CBAM)通过将空间信息和通道信息进行融合，获取空间上特征位置信息，建立通道之间的相互依赖关系，更好的获取对象识别能力。

目前，在医学图像分割上应用的模型大多是FCN、U-Net结构以及它们的变形。例如公告号CN109829918B的专利所提出的神经网络结构中，因为层与层之间通过简单的堆叠进行特征传递，导致特征信息的利用率较低，池化层的应用导致一些信息丢失，同时缺少有效的特征信息整合。这些问题在边缘以及一些小目标分割中具有重要的影响。

发明内容

本发明的目的是针对上述存在的问题和不足，提供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，使得肝脏分割的结果更加准确。

为达到上述目的，本发明采用的技术方案是：

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，具体步骤如下：

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和验证集；

S2、将所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，并通过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。

进一步的，步骤S1中所述随机划分的方法具体是：