基于多尺度特征融合的新冠病灶分割方法

文档序号:32312931发布日期:2022-11-23 13:15阅读:115来源:国知局
基于多尺度特征融合的新冠病灶分割方法

1.本发明涉及核医学影像辅助诊断、医学图像处理领域,具体涉及一种基于多尺度特征融合的新冠病灶分割方法。


背景技术:

2.新型冠状病毒肺炎发病率高且具有周期短、成因复杂的特点。新冠肺炎病毒核酸检测技术:逆转录聚合酶链式反应(rt-pcr)被确立为业内“金标准”。但其缺陷在于敏感性,rt-pcr综合敏感性约为89%,存在一定数量的假阴性。计算机断层扫描技术可以快速检测出肺部的病变情况。放射科医生每阅一位患者的ct影像大约需要五分钟左右,长时间的阅片会引起视觉疲劳,导致漏诊、误诊。利用计算机辅助医生诊断,将减轻放射科医生的工作负担,提升工作效率。由于肺炎ct影像边缘模糊,边缘特征较难提取。因此,针对患者的肺部ct影像的特点,提出一种基于多尺度特征融合的新冠病灶分割方法对于疾病的防控具有十分重要的意义。


技术实现要素:

3.本发明目的是针对目前现有技术的不足,提供一种基于多尺度特征融合的新冠病灶分割方法,以解决上述背景技术中的问题。
4.为实现上述目的,本发明提供如下技术方案:获取医学图像及其标签并对其进行预处理,构建数据集。构建一种多尺度特征融合的新冠病灶分割网络,并用上述数据训练集对网络进行训练。本发明以图像分割领域分割效果较为出色的u-net语义分割网络为基础,通过加入空洞空间卷积池化金字塔、cbam注意力机制的多种组合策略的改进。每次下采样的同时,将图像特征送入空洞空间池化金字塔(atrous spatial pyramid pooling,aspp)、cbam注意力机制,并通过设置采样率分别为1、6、12、18的空洞卷积和全局池化层捕获多尺度信息,将不同尺度的特征图拼接后,送入cbam注意力机制。cbam注意力机制在空洞空间卷积池化金字塔的基础上,将通道注意力与空间注意力串联使用。在空间维度上进行建模,使模型强化重要的通道特征,忽略较小响应的通道特征。并在训练中使用diceloss与bcdloss相融合的方式进行调参,实现了算法的优化。有选择性的强调有效信息、抑制无效信息。以有效捕捉更多上下文信息,丰富高级语义信息,提高网络性能。实验结果显示,改进后的网络实现了多尺度的病灶语义信息的融合,更好的提取图像的深层特征,具有更好的分割效果。
5.作为本发明进一步的方案:空洞空间池化金字塔设置采样率分别为1、6、12、18的空洞卷积。
6.作为本发明进一步的方案:cbam注意力机制在空洞空间卷积池化金字塔的基础上,将通道注意力与空间注意力串联使用。
7.作为本发明进一步的方案:加入了dice loss损失函数从全局的角度逐像素拉进,进一步提分割性能。
8.本发明的分割方法与u-net原始网络相比,准确率(accuracy)提升了0.08个百分点,类别平均像素准确率(mean pixel accuracy,mpa)提升了12.96个百分点,平均交并比(mean intersection over union,miou)提升了8.53个百分点。实验数据表明,该发明中的分割结构,较为稳定,与现有结构相比,具有一定参考价值。
9.附图说明:图1是本发明的多尺度特征融合的新冠病灶分割网络结构图图2是本发明的空洞空间池化金字塔结构图图3是本发明的cbam注意力机制结构图具体实施步骤:下面结合附图对本发明做进一步详细说明。
10.图1是本发明的多尺度特征融合的新冠病灶分割网络结构图。本发明以图像分割领域分割效果较为出色的语义分割网络为基础,通过加入空洞空间卷积池化金字塔、cbam注意力机制的多种组合策略的改进。每次下采样的同时,将图像特征送入空洞空间池化金字塔(atrous spatial pyramid pooling,aspp)、cbam注意力机制,通过设置空洞卷积的采样率和全局池化层捕获多尺度信息,将不同尺度的特征图拼接后,送入cbam注意力机制。并在训练中使用dice loss与bce loss相融合的方式进行调参,以有效捕捉更多上下文信息,丰富高级语义信息。该网络中,输出层使用sigmoid激活函数,将输出响应的阈值控制在[0,1]范围内,得到掩膜图像。
[0011]
图2是本发明的空洞空间池化金字塔结构图。本发明使用的空洞空间池化金字塔结构,设置不同采样率的空洞卷积代替金字塔池化中不同尺度的池化操作,学习多尺度信息,每一个尺度成为一个独立的分支。对编码层输出特征图进行5次卷积操作:第1次卷积,采用1
×
1卷积将编码;第2次到第4次卷积,采用空洞卷积率(rate)为6、12和18的3
×
3空洞卷积去得到不同的感受野特征;第5次卷积,先将特征图全局平均池化,然后进行上采样将图片恢复到原始大小;最后将提取出的5个不同尺度特征图进行拼接和卷积操作处理,达到降维的目的。进一步提升了模型在不同尺度上的细节表现。再传递到cbam注意力机制,进一步处理。
[0012]
图3是本发明的cbam注意力机制结构图。本发明使用的cbam注意力机制,是一个轻量级的模块,结合了空间(spatial)和通道(channel)注意力机制。这样的结合可以有选择性的强调有效信息、抑制无效信息,实现有效的信息流动。通道注意力采用最大池化提取全局统计特征、平均池化提取局部重点特征,实验表明这两个特征可以大大提高网络的表征能力。将前馈输入到共享式多层感知机,提取通道注意力图,使网络其它层也能利用这些信息。最后,使用加权运算完成通道维度的调整。空间注意力将最大池化和平均池化两个特征图在通道维度拼接,经过一个卷积层和sigmoid函数,将空间权重系数约束在(0,1)。与通道注意力的特征图相融合。
[0013]
以上所述,仅为本发明专利较佳的具体实施方式,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明专利的保护范围之内。


技术特征:
1.本发明提出一种基于多尺度特征融合的新冠病灶分割方法,整体结构设计以图像分割领域分割效果较为出色的u-net分割网络为基础,通过加入空洞空间卷积池化金字塔、cbam注意力机制的多种组合策略的改进,整体结构设计,具有准确率高等特点。2.根据权利要求1所述的多尺度特征融合的新冠病灶分割方法,其特征在于所述的分割结构中,cbam注意力机制在空洞空间卷积池化金字塔的基础上,将通道注意力与空间注意力串联使用,空洞空间池化金字塔空洞卷积设置采样率分别为1、6、12、18,加入了dice loss损失函数从全局的角度逐像素拉进,进一步提分割性能。3.根据权利要求1与权利要求2所述的多尺度特征融合的新冠病灶分割方法,其特征在于所述的分割结构,与u-net原始网络相比,准确率提升了0.08个百分点,类别平均像素准确率提升了12.96个百分点,平均交并比提升了8.53个百分点,实验数据表明,该发明中的分割结构,较为稳定,与现有结构相比,具有一定参考价值。

技术总结
本发明提出一种基于多尺度特征融合的新冠病灶分割方法。以图像分割领域分割效果较为出色的U-Net语义分割网络为基础,通过加入空洞空间卷积池化金字塔、CBAM注意力机制的多种组合策略的改进。每次下采样的同时,将图像特征送入空洞空间卷积池化金字塔、CBAM注意力机制多种组合策略。并通过全局池化层和设置空洞卷积的采样率捕获多尺度信息。CBAM注意力机制在空洞空间卷积池化金字塔的基础上,将通道注意力与空间注意力串联使用。在空间维度上进行建模,使模型强化重要的通道特征,忽略较小响应的通道特征。并在训练中使用Dice Loss与BCE Loss相融合的方式进行调参,有选择性的强调有效信息、抑制无效信息。实现多尺度的病灶语义信息融合,更好的提取图像的深层特征,具有更好的分割效果。实验数据表明,改进后的网络具有更好的分割效果。较为稳定,与现有结构相比,具有一定参考价值。具有一定参考价值。


技术研发人员:黄新 林洁沁
受保护的技术使用者:桂林电子科技大学
技术研发日:2022.07.22
技术公布日:2022/11/22
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1