[发明专利]融合几何信息的软注意力网络的血管分割方法

说明书

一种融合几何信息的软注意力网络的血管分割方法，利用测地距离图获取血管结构信息，采用水平集函数获取血管图像上各点的位置信息，同时使用Heaviside函数生成血管内各点的权重分布。进一步，通过融合几何信息的方式，将权重分布与注意力分布结合，形成一个软注意力网络模块。将几何信息融入到软注意力网络的血管分割方法，能够很好的抑制分割泄露，解决分割过程中血管不连续的问题，使血管分割更加迅速、精确。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种融合几何信息的软注意力网络的血管分割方法。

背景技术

血管分割是医学图像分析的重要任务之一，它可以帮助医生进行疾病诊断和治疗方案设计。由于血管在医学图像中形态复杂、尺寸各异，且与周围组织之间存在接触和交叉，因此血管分割任务非常具有挑战性。在过去几十年中，许多传统的图像分割方法已被应用于血管分割领域，例如阈值分割、区域生长、边缘检测等方法。然而，这些传统方法往往受限于图像噪声、灰度不均匀性和复杂的血管形态等问题，导致其分割效果不稳定、精度不高。

深度学习具有较强的特征学习能力和良好的泛化性能，可以自动学习图像的语义信息，对图像中的目标像素进行准确的分类和分割。Olaf Ronneberger等人(参考文献：Ronneberger,O.,Fischer,P.,Brox,T.(2015).U-Net:Convolutional Networks forBiomedical Image Segmentation.In:Navab,N.,Hornegger,J.,Wells,W.,Frangi,A.(eds)Medical Image Computing and Computer-Assisted Intervention–MICCAI2015.MICCAI 2015.Lecture Notes in Computer Science(),vol 9351.Springer,Cham.)在U-Net网络的编码器部分采用了卷积神经网络来逐渐降低特征的尺寸和深度，并提取出图像的高层次语义信息。采用跳跃式连接有效的将局部和全局的信息进行结合，帮助网络更好地理解输入图像的上下文，提高分割的准确性。这种设计不仅能有效地避免信息丢失和重复计算，还可以提高网络的鲁棒性和泛化能力，从而降低模型的重复率，提高分割精度。Zhou等人(参考文献：Zhou,Z.,Rahman Siddiquee,M.M.,Tajbakhsh,N.,Liang,J.(2018).UNet++:A Nested U-Net Architecture for Medical Image Segmentation.In:,et al.Deep Learning in Medical Image Analysis and Multimodal Learning forClinical Decision Support.DLMIA ML-CDS 2018 2018.Lecture Notes in ComputerScience(),vol 11045.Springer,Cham.)在U-Net的基础上重新设计了跳跃路径，减小了编码器和解码器子网络之间的语义差距。其中一个主要问题是U-Net网络可能会产生过多的重叠区域，导致模型的计算复杂度增加，同时也会导致输出结果的重复性较高，降低了模型的效率和准确率。此外，U-Net网络在处理非常大的图像时，也可能会出现存储和计算资源不足的问题，导致训练时长增加，性能下降。为了解决上述问题，研究人员提出了经过改进的U-Net网络结构和算法，以提高模型的效率和准确性。例如，采用新的卷积操作或者批量归一化技术，能够降低网络的计算复杂度和存储需求；使用残差连接或者跳跃连接等技术，可以有效地减少重复率，提高模型的表现。但是对于具有曲面、不规则形状或包含多个物体的图像，U-Net网络往往难以实现准确的分割。

血管在医学图像中通常是曲线形状，传统的分割方法受限于图像噪声、复杂的血管形态等问题，导致其分割精度不高，而U-Net在处理这种类型的图像时也会存在一些限制，如分割结果的平滑性不足、边缘位置不准确等问题。

发明内容

本发明为了克服以上技术的不足，提供了一种提高图像分割精度和速度的融合几何信息的软注意力网络的血管分割方法。