一种基于异构UNet的超声影像多组织分割方法和系统

本发明涉及人工智能，特别是一种基于异构unet的超声影像多组织分割方法和系统。

背景技术：

1、超声分割算法在医学影像处理中起到关键作用，其主要目的是将超声图像中的结构或组织分割成不同的区域，以便进行进一步的分析、诊断或治疗规划，在精准诊断和个性化治疗规划、手术导航、标准化分析、研究教育等方面均有重要应用价值。由于手动分割超声图像是一项费时费力的任务，存在主观依赖性强、误差率高、时间成本高、可重复性差等弊端，这些缺点在一定程度上限制了其在临床和科研中的应用。为有效解决这些问题，近年来大量超声图像自动分割方法被提出，用于提高超声图像分割的准确性和效率。目前超声图像自动分割方法主要分为传统超声图像分割方法和基于深度学习的分割方法。

2、传统超声图像分割方法基于传统的图像处理技术，如阈值分割、区域生长、边缘检测等，这些方法简单但依赖手工特征设计，对噪声和伪影敏感，难以适应超声图像不均匀性，容易产生过分割或欠分割的情况，且只考虑局部像素之间的关系，缺乏全局上下文信息的引导，可能会导致分割结果对于整体结构的一致性和连续性不够好。此外，传统方法中的很多算法需要依赖一些参数的设定，参数的选择可能会影响分割结果的准确性和稳定性，这需要用户有一定的专业知识和经验。因此，传统超声图像分割方法在处理复杂、噪声和伪影较多的超声图像时存在一定的局限性，难以达到实时性、高准确性和稳定性的要求。随着深度学习等技术的发展，基于深度学习的超声图像自动化分割方法正在逐渐成为主流，能够有效地克服传统方法的这些缺点。基于深度学习的医学图像分割模型主要分为基于卷积神经网络（如fcn、deeplab）、基于编码器-解码器结构（如u-net、segnet）、基于注意力机制（如attention u-net、senet）、基于生成对抗网络（如pix2pix、cyclegan）、基于级联式网络（如deepmedic、cascadenet）的分割模型。

3、然而，由于超声图像常常受到噪声和伪影的影响，这些因素会导致图像质量下降和结构信息模糊，使得超声图像边缘和纹理特征不清晰；超声图像采集过程中的成像条件、组织特性等因素，图像的亮度和对比度可能存在不均匀性，这种不均匀性会导致在图像中存在明暗差异和灰度不连续的区域；超声医学图像中的组织和器官结构通常是复杂且多样的，包括不同形状、大小和纹理的结构，这些结构之间可能存在相互连接或部分遮挡的情况。以上情况都增加了超声医学图像分割的难度，且现有的超声图像分割方法多聚焦于单目标分割，即仅关注对于单个目标组织的分割，如乳腺、前列腺等，忽视了b超图像其他组织部位的应用价值，综上所述，实现对b超图像中多组织部位的精确快速分割依然是一个挑战。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于异构unet的超声影像多组织分割方法和系统，该方法利用改进的u-net网络进行目标分割，适用于超声影像中多组织分割。

2、为达到上述目的，本发明提供如下技术方案：

3、本发明提供的基于异构unet的超声影像多组织分割方法，包括以下步骤：

4、（1）数据采集：采集用于分割的b超图像，所述b超图像内包含待分割的各目标组织部位，并建立超声图像数据集；

5、（2）数据标注：对超声图像数据集中每张图片数据依次设置各组织标签；

6、（3）数据集预处理：首先对数据集中所有数据进行归一化和标准化处理；

7、（4）构建分割网络：所述分割网络采用改进u-net网络，所述改进u-net网络用于识别各组织和靶区图像；所述改进u-net网络包括编码器、解码器、注意力门控模块和改进的aspp模块，所述编码器通过双卷积残差特征提取模块进行下采样分别得到深层特征信息和浅层特征信息；通过解码器的上采样操作逐步增加分辨率并利用深层特征信息和浅层特征信息进行图像的分割；所述的注意力门控模块加入到网络解码器的每个解码层之前，用于增强网络对特定特征的关注；所述的改进的aspp模块位于编码器的末端，用于捕获不同空洞率下的空间信息，从而有效地处理不同尺度的目标；

8、（5）训练网络：使用参数初始化方法对分割网络进行训练得到训练的分割网络；

9、（6）识别结果：将采集的超声图像数据输入到训练好的分割网络中进行识别，得到超声图像数据中声通道上各组织及靶区分割结果。

10、进一步，所述改进u-net网络按照以下步骤进行：

11、a）通过编码器前部分的双卷积残差特征提取模块提取浅层特征信息；通过编码器后部分的双卷积残差特征提取模块提取到深层特征信息；

12、b）得到浅层特征和深层特征后，通过解码器中带有不同膨胀率的空间金字塔对深层特征做加强特征提取操作；对浅层特征卷积处理，将操作处理后的深浅特征进行特征融合，并对融合后的特征进行卷积化操作，并输入到空间金字塔aspp中；

13、c）将注意力门控模块的输出的输入特征图和注意系数的元素相乘，使用卷积神经网络获取的图像粗粒度的特征图捕获上下文信息，通过注意力门控模块将浅层细粒度特征与深层粗粒度特征相融合，得到图像中目标区域的类别和位置；

14、d）采用双线性插值上采样，将图像特征通过卷积池化操作后进行预测，得到声通道上各组织的像素级划分。

15、进一步，所述双卷积残差特征提取模块按照以下步骤进行：

16、所述双卷积残差特征提取模块的第一卷积层的输出特征与输入特征形成第一残差连接；

17、所述双卷积残差特征提取模块的第二卷积层的输出特征与第一卷积层的输出特征相加，形成第二残差连接，最终的输出第二残差连接的结果。

18、进一步，所述条带池化spm模块按照以下步骤进行：

19、将输入特征图分别经过水平和竖直条纹池化后；

20、经过卷积与expand处理后，再对应相同位置求和得到h×w的特征图；

21、通过1×1的卷积与sigmoid处理后与原输入图对应像素相乘得到输出结果。

22、进一步，所述编码器最后一层与解码器对应层通过改进的aspp模块连接，所述改进的aspp模块中采用不同膨胀率的空洞卷积核进行卷积，并融合条带池化spm模块。

23、本发明提供的基于异构unet的超声影像多组织分割系统，包括输入端、编码器、注意力门控模块、改进aspp模块、解码器、输出端；

24、所述编码器包括若干双卷积残差特征提取模块；

25、所述解码器包括若干上采样卷积层；

26、所述编码器通过双卷积残差特征提取模块进行下采样分别得到深层特征信息和浅层特征信息；通过解码器的上采样操作逐步增加分辨率并利用这深层特征信息和浅层特征信息进行图像的分割；

27、所述输入端用于将b超图像输入到双卷积残差特征提取模块中；

28、所述双卷积残差特征提取模块，用于通过两个卷积层的残差连接来提取特征；

29、所述注意力门控模块设置于对应层的跳跃连接中，用于设置特征的权重；

30、所述改进aspp模块设置于u-net结构中的编码器和解码器之间，用于对浅层特征和深层特征进行特征处理；

31、所述输出端用于输出u-net结构中解码器处理的数据。

32、进一步，所述双卷积残差特征提取模块包括第一卷积层和第二卷积层；所述第一卷积层的输出特征与输入特征形成第一残差连接；所述第二卷积层的输出特征与第一卷积层的输出特征相加，形成第二残差连接，最终的输出是第二残差连接的结果。

33、进一步，所述改进的aspp模块包括若干由并行卷积操作模块、条带池化spm模块、连接操作模块、输出模块；

34、所述并行卷积操作模块，用于在不同的采样率下进行卷积操作，从而在不同尺度上捕获图像的语境信息，有助于模型更好地理解图像中的局部细节和全局结构，提高模型对不同尺度目标的感知能力；

35、所述条带池化spm模块，通过分别侧重于沿着水平和垂直空间两个维度两条路径捕获远程上下文，使得输出张量中的每个位置都与输入张量中的各种位置建立对应关系；

36、所述连接操作模块，用于将不同尺度的特征图合并在一起，捕捉图像中不同空间尺度下的语境信息；

37、所述输出模块，用于输出连接操作模块得到数据。

38、进一步，所述条带池化spm模块包括竖直条形池化层、水平条形池化层、一维卷积、融合模块和激活函数；

39、所述竖直条形池化层，用于沿垂直空间维度编码远程上下文；

40、所述水平条形池化层，用于沿水平空间维度编码远程上下文；

41、所述一维卷积，用于维度扩充，并调制当前位置及其相邻特征；

42、所述融合模块，用于获得包含更有用的全局先验的输出；

43、所述激活函数，用于将网络的输出映射0至1之间。

44、本发明的有益效果在于：

45、本发明公开一种基于异构unet的超声影像多组织分割方法和系统，该方法利用改进的u-net网络，其融入残差连接利于训练时加快收敛速度；结合改进的空间金字塔aspp模块，增大图片感受野，更好的保留图像上下文信息；加入attention gate模块有助于模型在训练时会学会抑制图像中不相关的区域或噪声的干扰，注重提取目标区域中有价值的显著特征，提高分割模型的整体精度。改进的u-net网络可以很好的适用于目标分割任务中，分割效果好于现有的分割网络，有良好的市场前景。在精准诊断和治疗规划方面，本方法可以帮助提取图像中感兴趣的区域，从而更精准地进行病变分析，辅助医生做出更准确的诊断和治疗规划。在临床治疗手术导航方面，超声引导被广泛用于不同类型的手术，如经皮穿刺和活检、聚焦超声消融手术、神经阻滞及射频消融等多种临床应用场景，提供实时、直观、准确的图像引导和监控，快速精确分割出超声图像上各组织必不可少，能辅助医生更好地执行手术并确保手术的成功和安全。在标准化分析应用场景中，本方法有助于实现图像分析的标准化。通过自动化处理，可以提高分析的一致性，减少人为误差，使得不同医生或医疗机构之间的结果更加可比。本方法还有助于实现个性化医疗，自动分割有助于更好地理解患者的个体差异，从而为个性化医疗提供支持。通过对超声图像的精准分割，可以更好地了解患者的解剖结构和病变分布，为个性化的治疗方案提供数据支持。在研究和教育领域，本方法为科研提供了强大的工具，有助于深入研究疾病的特征和发展治疗方法。此外，本方法也可以用于超声影像学科教学，帮助培养新一代的超声影像专业人才。综上，本分割方法具有重要的科研和临床应用价值。

46、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。