一种邻近区域与边缘信息融合的医学图像分割方法、系统

本发明涉及医学图像分割，更具体的，涉及一种邻近区域与边缘信息融合的医学图像分割方法、系统。

背景技术：

1、结肠镜检查能够直观地观察到肿瘤的外观，包括大小、范围、形状，能够直观的观察结肠粘膜的病变情况。仅仅依赖于医生的经验和能力需要大量的时间和精力，在结肠镜检测的过程中因为医生长时间工作时视觉疲劳可能会漏检某些息肉漏诊。

2、因此，计算机辅助医生进行诊断是极具社会价值的，能够大大提高检测效率。而计算机辅助医生进行诊断第一步就需要应用人工智能算法对医学图像进行分割。

3、目前的传统分割方法是通过提取颜色、形状、纹理等特征，然后使用分类器将息肉与其周围非息肉区域进行区分。例如sanchez-gonzalez等人利用形状、颜色和曲率来定位息肉区域。y.shin和i.balasingham根据梯度直方图和颜色直方图来提取特征，用支持向量机对图像的息肉和背景进行分类。tajbakhsh等人提出一种利用上下文信息来一处非息肉结构的信息从而定位息肉的方法，该方法首先采用canny边缘检测算法获得粗糙的边缘特征，然后通过边缘分类方法筛选掉不是息肉的边缘，最终来得到息肉区域。但通常情况下息肉的形状、大小、颜色和纹理各不相同，还存在积液干扰，使得息肉的边缘模糊、梯度不明显，从而导致传统分割方法性能不稳定，常常出现不能将息肉准确的分割出来。

4、也有一些利用深度学习进行医学图像分割的方法。例如，为了能够准确定位息肉位置，brandao等人使用带有预训练模型的全卷积网络来检测和分割息肉，然而这种方法缺乏浅层信息和高层信息的融合，分割效果欠佳。ronneberger等人提出一种完全对称的编解码器结构的unet网络，其编码器和解码器之间使用跳跃连接进行特征融合，在细胞分割任务中效果十分不错，但是将其应用到息肉分割时，带来了许多噪声信息，同时没有考虑到息肉大小变化多样，并且边缘难以鉴别等问题。unet架构的两种变体resunet++和unet++已被开发用于息肉分割，但上述方法通常侧重于分割息肉的整个区域，同时忽略了一些有价值的边界信息。fang等人提出的sfanet结合了一个共享编码器分支和两个解码器分支，分别检测息肉区域和边界，并包括一个新的边界敏感损失，以相互改进息肉区域分割和边界检测。此外，通过采用向上级联来融合多层次特征，并嵌入选择性内核模块来学习多尺度特征，进一步增强了模型。但是，sfanet不能够应对不同大小形状复杂的息肉。fan等人提出的pranet通过利用反向注意力反复探索边界来提高分割精度，但模型没有着重息肉大小复杂多样，同时也没有充分利用低层丰富的边缘语义信息。

5、总的来说，目前，对于深度学习方法，主要都是在unet的基础上进行，大多注重息肉的区域信息或者注重边缘信息，没有考虑到息肉的大小，也没有注重到，越靠近息肉附近的其信息应当给予足够的重视，导致分割的不完整不充分，出现遗漏。

技术实现思路

1、基于此，有必要针对现有利用深度学习进行医学图像分割时息肉邻近区域和边缘信息没有给予足够重视的问题，提供了一种邻近区域与边缘信息融合的医学图像分割方法、系统。

2、本发明采用以下技术方案实现：

3、第一方面，本发明公开了一种邻近区域与边缘信息融合的医学图像分割方法，包括以下步骤：

4、步骤一，获取训练好的医学图像分割模型；

5、步骤二，获取待处理的结肠镜图像；

6、步骤三，使用训练好的医学图像分割模型对待处理的结肠镜图像进行分割处理，得到息肉分割图像；

7、其中，所述医学图像分割模型包括：编码器模块、全局特征抽取模块、解码器模块、邻近注意力模块、边界注意力模块、通道注意力模块、边缘修正模块。

8、编码器模块包括5层编码网络，所述编码器模块用于从待处理的结肠镜图像提取得到5层原始特征图，并对5层原始特征图进行压缩得到5层压缩特征图。全局特征抽取模块包括msa子模块、特征加权子模块。所述msa子模块用于对位于后3层的压缩特征图使用不同扩张率的卷积进行多尺度融合得到3层多尺度特征图；所述特征加权子模块用于根据3层多尺度特征图进行加权得到全局特征图。解码器模块包括5层解码网络。所述解码器模块用于得到5层预测分割图，其中，第1层预测分割图作为息肉分割图像；位于后4层的解码网络还对应输出4层解码特征图。邻近注意力模块用于根据全局特征图、位于前4层的压缩特征图进行正向关注，根据位于后4层的预测分割图进行反向关注，对应得到4层邻近特征图。边界注意力模块用于根据前4层的压缩特征图、后4层的预测分割图进行边界处理，对应得到4层边界特征图。通道注意力模块用于根据4层邻近特征图、4层边界特征图、以及4层解码特征图进行特征权重调整，对应得到4层通道特征图。边缘修正模块用于从第1层压缩特征图提取边缘信息，得到边缘特征图、并融入到第1层解码网络。

9、该邻近区域与边缘信息融合的医学图像分割方法实现根据本公开的实施例的方法或过程。

10、第二方面，本发明公开了邻近区域与边缘信息融合的医学图像分割系统，其使用了第一方面的邻近区域与边缘信息融合的医学图像分割方法。

11、所述邻近区域与边缘信息融合的医学图像分割系统包括分割模型模块、结肠镜图像输入模块、医学图像分割模块。

12、分割模型模块用于获取训练好的医学图像分割模型。结肠镜图像输入模块用于获取待处理的结肠镜图像。医学图像分割模块用于使用训练好的医学图像分割模型对待处理的结肠镜图像进行分割处理，得到息肉分割图像。

13、该邻近区域与边缘信息融合的医学图像分割系统实现根据本公开的实施例的方法或过程。

14、第三方面，本发明公开了一种可读存储介质。该可读存储介质中存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行如第一方面公开的邻近区域与边缘信息融合的医学图像分割方法。

15、与现有技术相比，本发明具备如下有益效果：

16、(1)本医学图像分割方法使用的模型轻量，没有过多的复杂模块、没有过多的参数，可以在硬件速度不够优越的情况下，依然保证较快的预测速度。而且，模型在不同层次上提取特征并融合，即使没有使用自注意力机制也能保证较大的感受野，可以在增加模型预测速度、减少模型的复杂性基础上，保证息肉分割的准确性。

17、(2)本医学图像分割方法使用的模型采用邻近注意力模块，着重于邻近区域，并在全局特征图和预测分割图的引导下，兼顾了正向关注和反向关注，并使得全局特征图内还没有被预测为正样本地方的特征权重更高，从而减少模型特征连接带来的信息冗余和噪声，提供息肉的召回率、防止遗漏。

18、(3)本医学图像分割方法充分利用了编码器模块的多层原始特征图，其中，依据第1层压缩特征图提取边缘信息，可在第1层解码网络进行边缘的细化修正，提高息肉分割边缘的准确性；对后三层所得到压缩特征图进行信息融合，从而得到更为准确的全局特征图，能够适应不同尺度大小的息肉，使得模型对大小息肉都能够进行准确分割。