医学图像的子宫肌瘤分割方法及装置、设备、存储介质与流程

本发明属于图像分割，具体涉及一种医学图像的子宫肌瘤分割方法及装置、设备、存储介质。

背景技术：

1、传统的子宫肌瘤治疗方法多为手术切除，但手术切除创伤大。

2、如今采用高强度聚焦超声技术(high intensity focused ultrasound，hifu)进行子宫肌瘤治疗，hifu消融技术是利用一定的聚焦技术将体外低能量的超声聚焦到体内特定区域，借助超声的生物学效应使组织产生不可逆的凝固型坏死，但却不损伤周围的正常组织，从而达到消融肿瘤的目的。

3、与传统手术方法比较，hifu消融技术具有恢复时间快、可重复治疗、可保留子宫等优点，目前在世界范围内得到广泛应用。如何在术前实现更加准确的hifu疗效预测，对于医生选择治疗方案提高治疗成功率显得十分重要。磁共振成像(magnetic resonanceimaging,mri)影像具有对软组织分辨率高和多维成像的优点，是子宫肌瘤诊断的关键技术，也是预测评价hifu手术治疗效果的有效手段。子宫肌瘤和子宫外轮廓的mri图像分割，有助于术前方案的制定、术中导航和术后疗效的评估，是进行hifu超声聚焦治疗的必要步骤。

4、然而医生手动从mri图像中分割肌瘤是一项费时、费时、主观的工作，而且子宫肌瘤和mri图像中的其他组织之间的对比度很低，很难区分它们之间的边界。此外，不同患者子宫肌瘤的数量、形态和大小差异很大。因此，准确的子宫肌瘤自动分割方法以及对子宫外轮廓的描绘就至关重要。

5、越来越多的深度学习模型被应用于医学图像研究，其中最广泛使用的是基于卷积神经网络(convolutional neural network，cnn)的技术，但在实践中发现，由于特征信息的间接传递，使得经过传递后的特征增加了不准确性，导致可能发生位置信息不准确和病灶边缘的分割不准确，往往存在对小体积肿瘤识别困难，边界分割差的问题，导致分割预测结果可靠性不高。

技术实现思路

1、本发明的目的在于提供一种医学图像的子宫肌瘤分割方法及装置、设备、存储介质，可以提高对小体积肿瘤的识别能力，进而提升分割准确率和可靠性。

2、本发明第一方面公开一种医学图像的子宫肌瘤分割方法，包括：

3、s1、采集若干医学图像进行预处理，获得若干样本图像组成样本数据集；

4、s2、构建u型网络模型；其中，u型网络模型使用unet作为骨干网络，包括编码器和解码器，编码器和解码器的网络结构分别从上到下分为五层，编码器的前四层每层与解码器的相应层之间跳跃连接，编码器的第五层与解码器的第五层之间通过串接的空洞空间卷积池化金字塔和卷积注意力模块连接；所述编码器的每层均包括串接的残差块和第一通道注意力模块，所述残差块包括串接的3个卷积块，在每个卷积块之后均设有批归一化层和激活函数，3个卷积块分别为第一卷积块、第二卷积块和第三卷积块，所述第一卷积块用于增加指定数量的通道，第二卷积块用于下采样，第三卷积块用于在不更改通道数的情况下提取特征，第一通道注意力模块用于根据不同通道的权重信息对多通道的特征图进行权重赋值；所述空洞空间卷积池化金字塔包括堆叠而成的扩张率分别为1、6、12、18的四个空洞卷积层，所述卷积注意力模块包括串接的第二通道注意力模块和空间注意力模块；

5、s3、利用样本数据集训练u型网络模型，获得具有最优模型参数的子宫肌瘤图像分割模型；

6、s4、将待测医学图像输入子宫肌瘤图像分割模型，获得子宫肌瘤对应的肿瘤区域。

7、在一些实施例中，将待测医学图像输入子宫肌瘤图像分割模型，获得子宫肌瘤对应的肿瘤区域，包括：

8、将待测医学图像输入子宫肌瘤图像分割模型，通过编码器每一层的残差块依次将所述待测医学图像的通道从1增加至64、128、256、512、1024，并经由编码器每一层的第一通道注意力模块根据不同通道的权重信息对多通道的特征图进行权重赋值获得编码特征图；

9、当通道数达到1024时，通过四个所述空洞卷积层将所述编码特征图以不同的采样率进行采样获得多尺度特征，对多尺度特征进行融合得到最终的特征提取结果；

10、经由所述第二通道注意力模块和所述空间注意力模块分别在通道上和空间上推断注意力图，将注意力图与多尺度特征融合后的特征提取结果相乘，获得自适应特征图；

11、通过所述解码器对所述自适应特征图进行层层解码，直至解码器的第一层将通道数减少到64，通过1×1卷积算子后跟sigmoid激活函数层将结果映射为概率，得出最终的分割结果，标记为所述待测医学图像中子宫肌瘤对应的肿瘤区域。

12、在一些实施例中，所述解码器的每层均设置有双卷积模块；所述通过所述解码器对所述自适应特征图进行层层解码，包括：

13、通过所述编码器的每层的双卷积模块将输入的自适应特征图与跳跃连接的编码器相应层的特征进行融合，再执行上采样操作以恢复图像大小。

14、在一些实施例中，所述第一卷积块通过以指定数量个卷积核执行1×1卷积操作，以增加指定数量的通道；所述第二卷积块通过执行步长为2的3×3卷积操作，以对特征图分辨率进行下采样；所述第三卷积块通过执行1×1卷积操作，以进行特征提取。

15、在一些实施例中，采集若干医学图像进行预处理，包括：

16、对若干医学图像进行统一尺寸操作，调整为256×256像素，重新保存为png格式的样本图像。

17、在一些实施例中，所述方法还包括：将所述样本数据集按照指定比例划分为训练集、测试集和验证集。

18、在一些实施例中，所述指定比例为8∶1∶1。

19、本发明第二方面公开一种医学图像的子宫肌瘤分割装置，包括：

20、预处理单元，用于采集若干医学图像进行预处理，获得若干样本图像组成样本数据集；

21、构建单元，用于构建u型网络模型；其中，u型网络模型使用unet作为骨干网络，包括编码器和解码器，编码器和解码器的网络结构分别从上到下分为五层，编码器的前四层每层与解码器的相应层之间跳跃连接，编码器的第五层与解码器的第五层之间通过串接的空洞空间卷积池化金字塔和卷积注意力模块连接；所述编码器的每层均包括串接的残差块和第一通道注意力模块，所述残差块包括串接的3个卷积块，在每个卷积块之后均设有批归一化层和激活函数，3个卷积块分别为第一卷积块、第二卷积块和第三卷积块，所述第一卷积块用于增加指定数量的通道，第二卷积块用于下采样，第三卷积块用于在不更改通道数的情况下提取特征，第一通道注意力模块用于根据不同通道的权重信息对多通道的特征图进行权重赋值；所述空洞空间卷积池化金字塔包括堆叠而成的扩张率分别为1、6、12、18的四个空洞卷积层，所述卷积注意力模块包括串接的第二通道注意力模块和空间注意力模块；

22、训练单元，用于利用样本数据集训练u型网络模型，获得具有最优模型参数的子宫肌瘤图像分割模型；

23、预测单元，用于将待测医学图像输入子宫肌瘤图像分割模型，获得子宫肌瘤对应的肿瘤区域。

24、本发明第三方面公开一种电子设备，包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行第一方面公开的医学图像的子宫肌瘤分割方法。

25、本发明第四方面公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行第一方面公开的医学图像的子宫肌瘤分割方法。

26、本发明的有益效果在于，提出一种结合空洞卷积和注意力机制的u型网络，通过在编码器每层之间应用通道注意力机制抑制不重要的特征，并且在编码器底部将空洞空间卷积池化金字塔与卷积注意力模块联用，可以提高模型对小体积肿瘤的识别能力，进而提升分割准确率和可靠性。