[发明专利]一种基于注意力机制的息肉图像分割方法

说明书

本发明公开一种基于注意力机制的息肉图像分割网络，其特点是采用级联部分解码器聚合息肉高级特征生成息肉全局特征图和息肉分割结果图，同时基于注意力机制构造息肉语义增强模块，重新整合通道维度与空间维度的息肉语义信息，增强有效语义信息的流动，进而增强退化的息肉语义信息。本发明具体步骤包括：数据集的预处理、基于注意力机制的息肉图像分割网络模型的构建、基于注意力机制的息肉图像分割网络模型的训练与测试。相较于现有技术，本发明同时注意到息肉特征提取过程中小息肉的位置语义和边缘模糊息肉的边界语义退化的问题，提高了网络模型对于小目标息肉和边缘模糊息肉的分割能力，实现息肉图像的自动分割，具有良好的应用前景。

技术领域

本发明属于大数据深度学习领域中的医学图像分割技术领域，具体设计一种基于注意力机制的息肉图像分割方法。

背景技术

早期结肠镜检查有助于医生在结直肠息肉发展为结直肠癌之前采取应对措施，使结直肠癌发病率下降30％。基于结肠镜检查的息肉检测工作高度依赖于医生的经验水平，存在较高的漏检率。运用深度学习理论与计算机相关技术，设计自动准确的息肉分割方法辅助医生检出息肉并确定息肉区域具有重要的研究意义与应用价值。

两个原因使得自动息肉分割成为一项具有挑战性的任务：不同息肉的大小、颜色和纹理具有多样性；部分息肉组织与周围正常组织外观差别较小。其中，小目标息肉与边缘模糊息肉是息肉分割的难点。传统的自动息肉分割方法依赖于手工提取的特征(颜色、形状和纹理等)对图像进行处理与分割，由于手工提取的特征表征能力有限，传统方法具有较高的漏检率。近年来，深度学习技术在息肉分割任务中取得了较好的结果，成为息肉分割方法研究的新趋势。基于深度学习的息肉分割方法使用深度学习编码器自动提取息肉图像的语义特征，使用解码器还原图像细节并完成图像分割任务。基于深度学习的息肉分割编码器在提取图像特征过程中，特征下采样的频繁操作导致图像分辨率大幅下降，这不仅会造成小息肉的位置语义信息退化，而且会造成边缘模糊息肉的边界语义信息退化。然而，现有息肉分割方法很少同时考虑到小息肉的位置语义信息和边缘模糊息肉的边界语义信息退化的问题，这导致了现有息肉分割方法对模糊小息肉分割效果较差的问题。现有息肉分割算法对模糊小息肉不正确的分割结果可能会误导医师对息肉的判断，这阻碍了自动的息肉分割方法的实际应用。

发明内容

本发明的目的是针对现有技术的不足而提出的一种基于注意力机制的息肉图像分割方法。该方法采用级联部分解码器聚合息肉高级特征以提取多尺度息肉信息并生成息肉全局特征图和息肉分割结果图。该方法基于注意力机制构造息肉语义增强模块，重新整合通道维度与空间维度的息肉语义信息，增强有效息肉语义信息的流动，进而增强退化的小息肉的位置语义信息和退化的边缘模糊息肉的边界语义信息。本发明可以有效检出结肠镜图像中的息肉组织，尤其是边缘模糊的小息肉，提高了息肉分割的准确率。本发明在复杂息肉分割条件下也可达到较好的分割效果和泛化性能，具有较好的应用前景。

实现本发明的具体技术方案是：一种基于注意力机制的息肉图像分割方法，具体包括下述步骤：

步骤1，数据集的预处理。

准备公开的息肉图像数据集，将息肉图像分为训练集、验证集和测试集，用于息肉分割网络的训练和测试。

步骤2，一种基于注意力机制的息肉图像分割方法的网络模型的构建。

一种基于注意力机制的息肉图像分割方法的网络整体设计为编码器-解码器架构，编码器选取ResNet50作为骨干网络提取5个层级的息肉特征，其中3-5级息肉特征为高级特征。本发明网络的具体结构为：首先，使用第一个级联部分解码器聚合富含语义信息的息肉高级特征，得到息肉全局特征图；其次，将息肉全局特征图输入构造的息肉语义增强模块，重新整合息肉全局特征图中通道维度与空间维度的息肉语义信息，增强有效息肉语义信息的流动，得到增强后的息肉全局特征图；然后，将增强后的息肉全局特征图输入ResNet50后三个阶段，得到新的息肉高级特征；最后，使用第二个级联部分解码器聚合新的息肉高级特征，得到息肉分割结果图。