一种基于注意力机制和MSENet模型的脑出血图像分割方法

本发明涉及图像分割，尤其涉及一种基于注意力机制和msenet模型的脑出血图像分割方法。

背景技术：

1、脑出血是由脑内动脉、静脉或毛细血管破裂引起的自发性出血性脑血管疾病，该病起病快，死亡率高，是目前中老年人的致命疾病之一。目前最常用的诊断方法是ct检查，ct图像可以进行定量分析，通过不同的黑、白、灰度显示组织和病变的密度，从而观察血肿部位的病变形态，预测疾病的发展。

2、出血的位置和形态多种多样且血肿区域密度较高，可能发生在不同部位，因此血肿位置和形态的分割是脑出血疾病诊断和治疗的关键。医学图像的分割方法多种多样，其中深度学习方法广受欢迎。在进行脑出血血块分割时，经典的神经网络分割有cnn、unet、unet++，卷积神经网cnn广泛应用于医学图像处理，对噪声和其他一些干扰不敏感。然而，cnn需要大量的数据样本和较长的训练网络过程，会导致训练过程中的过拟合。unet在图像分割中得到了广泛的应用，在小数据集上也能得到很好的实验结果，然而由于大脑内部有太多的组织，当面对一些复杂的脑出血区域时分割效果并不理想。与unet相比，unet++重新设计了跳转连接和深度监督，使得分割效果更加准确，但同时引入过多的参数，不利于网络训练和分割出血区域。并且由于存在脑出血位置与颅骨部位相连接，复杂形状等问题，在分割时较为困难，现有的分割方法并不能准确地分割脑出血图像。

技术实现思路

1、本发明提供一种基于注意力机制和msenet模型的脑出血图像分割方法，以克服现有的分割方法并不能准确地分割脑出血图像的技术问题。

2、为了实现上述目的，本发明的技术方案是：

3、一种基于注意力机制和msenet模型的脑出血图像分割方法，包括如下步骤：

4、s1：获取临床脑出血ct图像；

5、s2：通过多尺度形态学处理模块对所述临床脑出血ct图像进行处理并输出解剖影像组学特征图；

6、s3：构建注意力机制模块，并基于所述解剖影像组学特征图进行训练，得到训练后的注意力机制模块；

7、s4：构建msenet网络模型，并在所述msenet网络模型中加入若干个所述训练后的注意力机制模块，得到新的msenet网络模型，对新的msenet网络模型进行训练，获得训练后的msenet网络模型，用于从所述临床脑出血ct图像中分割出脑出血区域图像。

8、具体地，s2中，所述多尺度形态学处理模块对所述临床脑出血ct图像进行处理并输出解剖影像组学特征图的具体步骤包括：

9、通过膨胀和腐蚀操作对临床脑出血ct图像进行初步分割，公式为：

10、

11、式中，f表示临床脑出血ct图像；ki(0≤i≤m)表示正方形结构元素，i表示第i个像素点，m表示像素点的总数；mi表示腐蚀操作；ma表示膨胀操作；和θ分别表示膨胀和腐蚀运算；x，y表示像素移动的初始坐标；s，t表示像素移动的目标坐标；

12、基于临床脑出血ct图像f和ki进行开运算和闭运算操作，公式为：

13、

14、式中，o()表示开运算，c()表示闭运算；为开运算符号；“·”为闭运算符号；

15、将进行开运算和闭运算操作得到的结果与所述临床脑出血ct图像进行区域合并得到解剖影像组学特征图，公式为：

16、

17、

18、式中，u表示灰度级数；li表示灰度随机数；d(li)表示标记块直方图；v表示标记块灰度均值；ti为v的y阶矩阵。

19、具体地，s3中，构建的注意力机制模块包括第一部分和第二部分，第一部分包括第九卷积层和第十卷积层，第二部分包括平均池化层、第一全连接层、第二全连接层和激活函数层；

20、将所述解剖影像组学特征图分别输入所述第一部分和第二部分；

21、所述第一部分对输入数据即解剖影像组学特征图进行卷积变换操作输出第一特征图；

22、所述第二部分中的平均池化层对所述解剖影像组学特征图进行挤压操作fsq输出第二特征图，并将第二特征图传输给所述第一全连接层，所述挤压操作的公式为：

23、

24、式中，h'表示解剖影像组学特征图的高度，w'表示解剖影像组学特征图的宽度，kc表示解剖影像组学特征图；gc表示每个通道的平均值，i',j'分别为求和运算中的变量；

25、所述第一全连接层用于降低第二特征图的通道数输出第三特征图，并将第三特征图传输给所述第二全连接层，

26、所述第二全连接层用于恢复所述第三特征图的通道数并输出第四特征图；

27、所述激活函数层通过激励操作fex计算控制权重，并通过加权操作fscale，将所述控制权重与所述第三特征图和第四特征图进行逐通道相乘，并输出第五特征图，

28、所述激励操作fex的公式为：

29、h＝fex(gc,wn)＝λ(w2β(w1gc))

30、式中，h表示门机制的控制单元的控制权重，λ表示sigmoid激活函数，β表示relu激活函数，wn，w1，w2分别表示权值矩阵；

31、所述加权操作fscale的公式为：

32、zc＝fscale(kc,hc)＝hckc

33、式中，zc是一个特征通道的特征图，hc为h的标量值；

34、将所述第一特征图与所述第五特征图进行相加后输出带有注意权重的解剖影像组学特征。

35、具体地，s4中，所述新的msenet网络模型包括：下采样模块、第一卷积块、上采样模块、第一注意力机制模块、第二注意力机制模块、第三注意力机制模块和第四注意力机制模块；

36、所述下采样模块包括第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层，每个特征提取层均包括第一卷积层、第一relu激活函数层、第二卷积层、第二relu激活函数层和最大池化层；

37、所述第一卷积块包括第三卷积层和第四卷积层；

38、所述上采样模块包括第一上采样层、第二上采样层、第三上采样层和第四上采样层，第一上采样层、第二上采样层和第三上采样层分别包括第一反卷积层、第五卷积层、第三relu激活函数层、第六卷积层、第四relu激活函数层，所述第四上采样层包括第二反卷积层、第七卷积层、第五relu激活函数层、第八卷积层、第六relu激活函数层以及1×1卷积层；

39、所述第一特征提取层用于提取解剖影像组学特征图的颜色和纹理特征，并传输给所述第一注意力机制模块和所述第二特征提取层；

40、所述第二特征提取层用于提取输入数据的病灶区域周围组织特征，并传输给所述第二注意力机制模块和所述第三特征提取层；

41、所述第三特征提取层用于提取输入数据的边界形状特征，并传输给所述第三注意力机制模块和所述第四特征提取层；

42、所述第四特征提取层用于提取输入数据的病灶区域特征，并传输给所述第四注意力机制模块和所述第一卷积块；

43、所述第一卷积块用于对所述第四特征提取层的输出数据处理后传输给所述第一上采样层；

44、所述第一上采样层用于提取所述第一卷积块输出的特征图的特征，并传输给所述第四注意力机制模块；

45、所述第四注意力机制模块用于将输入的病灶区域特征与所述第一上采样层输出的特征进行校准并传输给所述第二上采样层；

46、所述第二上采样层用于提取所述第四注意力机制模块输出的特征图的特征，并传输给所述第三注意力机制模块；

47、所述第三注意力机制模块用于将输入的边界形状特征与所述第二上采样层输出的特征进行校准并传输给所述第三上采样层；

48、所述第三上采样层用于提取所述第三注意力机制模块输出的特征图的特征，并传输给所述第二注意力机制模块；

49、所述第二注意力机制模块用于将输入的病灶区域周围组织特征与所述第三上采样层输出的特征进行校准，并传输给所述第四上采样层；

50、所述第一注意力机制模块用于将所述第一特征提取层输入的颜色和纹理特征进行校准，并传输给所述第四上采样层；

51、所述第四上采样层用于提取所述第二注意力机制模块输出的特征图和所述第一注意力机制模块输出的特征图的特征，并输出脑出血区域图像。

52、具体地，s4中，对新的msenet网络模型进行训练过程中，优化器的计算公式为：

53、

54、式中，pt表示t时刻的参数梯度，vt和mt分别表示一阶动量和二阶动量的估计值，λ1和λ2分别表示一阶动量和二阶动量的估计值的指数加权平均值的衰减系数；和分别表示梯度的偏差纠正后的移动平均值，βt+1是更新后的参数，是学习率，η是一个常数。

55、具体地，s4中，对新的msenet网络模型进行训练过程中，设定新的msenet网络模型的损失函数为：

56、loss＝0.5·lossdice+0.5·lossbce

57、其中，

58、

59、

60、式中，yi和分别为第i个像素点的标号和预测值，m表示像素点的总数，diceloss和bceloss分别为损失函数。

61、有益效果：本发明设置多尺度形态学处理模块对临床脑出血ct图像进行处理得到解剖影像组学特征图，并建立了加入注意力机制模块的新的msenet网络模型，通过注意力机制模块对提取的特征图进行校准，使得新的msenet网络模型能够更准确的分割出脑出血区域图像。