一种医学图像分割方法、装置、设备及介质

本发明属于图像分割，具体涉及一种医学图像分割方法、装置、设备及介质。

背景技术：

1、医学成像被认为是协助医生评估疾病并给出诊疗方案的重要技术。医学分割在医学图像处理中起着重要作用，它将医学图像中感兴趣的区域分割出来，提取图像的特征，为医生诊断患者、做出相应的判断和治疗方案提供可靠的依据。传统的医学分割方法主要有基于区域的分割、基于阈值的分割、基于边缘的分割等，这些方法都取得了很好的分割效果，但由于医学图像的特征提取难度大，医学分割依然是图像处理中的一大难点。近年来，深度学习领域的蓬勃发展开始将深度学习方法更多地运用于医学图像分割。

2、在计算机视觉处理中，u-net是用于医学图像分割的最广泛使用的编码器-解码器结构的网络架构，通过编码器生成低分辨率图像特征，解码器对特征进行上采样，使用跳跃连接来弥补传播在经过池化层所损失的空间信息，来辅助编码器-解码器的u型结构网络恢复完整的空间信息，但这里所使用的跳跃连接方式较为简单，存在局限性。

3、u-net++提出了一种更深层次的连接结构，其在保留u-net的u型结构基础上，引入了一种称为nestedu-net的层次连接机制，旨在通过多尺度的特征融合来提高分割效果的准确性和细节保留能力。

4、uctransnet方法基于u-net的网络架构，从通道角度提出了一种基于通道的交叉融合转换器(cct)在跳跃连接中融合多尺度语境，缩小高层特征和低层特征的语义鸿沟，从而进一步提高分割性能。

5、然而，现有的unet网络中，编码器和解码器之间存在语义鸿沟，使得图像分割存在分割区域识别不准确的情况。

技术实现思路

1、为了克服上述现有技术存在的不足，本发明提供了一种医学图像分割方法。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种医学图像分割方法，包括：

4、收集公共医学图像数据集；

5、基于unet网络构建图像分割模型，利用公共医学图像数据集对医学图像分割模型进行训练，得到训练好的医学图像分割模型；

6、利用训练好的医学图像分割模型进行医学图像分割；

7、其中，所述图像分割模型包括依次连接的编码器和解码器；所述编码器经过pat模块与解码器跳跃连接；

8、所述pat模块为嵌入2d的通道注意力机制和空间注意力机制的transformer结构。

9、进一步，所述编码器包括：依次连接的四层下采样层e1、e2、e3、e4，用于利用卷积提取医学图像的特征图；

10、所述解码器包括：依次连接的四层上采样层d1、d2、d3、d4。

11、进一步，将编码器第ei层的输出经过pat模块后与解码器di层的输出拼接并输入到第一注意力融合模块dpca中，将注意力融合模块dpca的输出与解码器对应层的输出拼接后，作为解码器第di-1层的输入；

12、所述注意力融合模块dpca用于通过全局平均池化层对空间进行压缩，进入采用自适应卷积核大小的一维卷积完成跨通道间的信息交互，再将两条路径输出的信息进行融合。

13、进一步，所述编码器e4层输出的特征图经过cab模块后输入到解码器中，

14、所述cab模块用于将e4层经过下采样得到e5，将e5进行双线性插值后得到与e4尺寸一致的特征图d5，将特征图d5输入第二注意力融合模块dpca中；将第二注意力融合模块dpca输出的特征图与d5拼接后得到特征图将作为d4层的输入。

15、进一步，所述空间注意力为：

16、

17、式(1)中，通过将qshared层乘以投影的的转置计算空间注意力图，利用softmax计算每个特征与其他特征之间的相似性，再乘以投影的层以生成形状为hw×c的最终空间注意力图。

18、进一步，所述通道注意力为：

19、

20、式(2)中，通过将qshared层的转置乘以投影的kshared计算通道注意力图，用softmax计算得到的相似性乘以投影的vchannel层以生成形状为hw×c的最终通道注意力图。

21、进一步，所述注意力融合模块dpca的输出为：

22、mi＝l1·g(oi)+l2·g(di)；

23、其中，g(oi)和g(di)为第i层的transformer的输出oi和第i层解码器的特征图di作为两个路径的输入进行全局平均池化后的两个向量；l1和l2是两个线性层的权重。

24、一种医学图像分割系统，其特征在于，包括：

25、图像获取模块，用于收集公共医学图像数据集；

26、模型构建模块，用于基于unet网络构建图像分割模型，利用公共医学图像数据集对医学图像分割模型进行训练，得到训练好的医学图像分割模型；

27、其中，所述图像分割模型包括依次连接的编码器和解码器；所述编码器经过pat模块与解码器跳跃连接；

28、所述pat模块为嵌入2d的通道注意力机制和空间注意力机制的transformer结构；

29、图像分割模块，用于利用训练好的医学图像分割模型进行医学图像分割。

30、本发明提供的一种医学图像分割方法具有以下有益效果：

31、本发明在原有的unet网络的基础上，在编码层和解码层之间添加了pat模块，pat模块将编码层和解码层进行跳跃连接，使得编码器和解码器之间进行信息交流，有助于网络更好地捕捉不同层次的特征。并且，本发明的pat模块为加入了空间注意力和通道注意力的transformerblock结构，空间注意力和通道注意力能够增强特征表示并提高空间感知力，从而对于通道空间维度的特征进行高效充分地提取，使得缩小不同层次的特征表示之间的差异，以此弥合编码器-解码器过程中导致的语义鸿沟，显著提升unet网络分割医学图像的精确度。

技术特征：

1.一种医学图像分割方法，其特征在于，包括：

2.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述编码器包括：依次连接的四层下采样层e1、e2、e3、e4，用于利用卷积提取医学图像的特征图；

3.根据权利要求2所述的一种医学图像分割方法，其特征在于，将编码器第ei层的输出经过pat模块后与解码器di层的输出拼接并输入到第一注意力融合模块dpca中，将注意力融合模块dpca的输出与解码器对应层的输出拼接后，作为解码器第di-1层的输入；

4.根据权利要求3所述的一种医学图像分割方法，其特征在于，所述编码器e4层输出的特征图经过cab模块后输入到解码器中，

5.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述空间注意力为：

6.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述通道注意力为：

7.根据权利要求3所述的一种医学图像分割方法，其特征在于，所述注意力融合模块dpca的输出为：

8.一种医学图像分割系统，其特征在于，包括：

9.一种医学图像分割的计算机设备，其特征在于，包括：

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至7中任一所述的医学图像分割方法。

技术总结
本发明提供了一种医学图像分割方法、装置、设备及介质，属于图像分割技术领域，包括：收集公共医学图像数据集，对数据集进行预处理后，将数据集分为训练集和测试集；基于Unet网络构建图像分割模型，利用训练集和测试集对医学图像分割模型进行训练和验证，得到训练好的医学图像分割模型；利用训练好的医学图像分割模型进行医学图像分割；其中，所述图像分割模型包括依次连接的编码器和解码器；所述编码器经过PAT模块与解码器跳跃连接；所述PAT模块为嵌入2D的通道注意力机制和空间注意力机制的Transformer结构。本发明能够很好的对医学图像进行分割。

技术研发人员：谭大禹,郝瑞,苏延森,郑春厚
受保护的技术使用者：安徽大学
技术研发日：
技术公布日：2024/5/10