一种基于双重注意力机制的异常脑图像分割方法及系统技术方案

本发明专利技术提供一种基于双重注意力机制的异常脑图像分割方法及系统，涉及医学图像处理技术领域，该异常脑图像分割方法包括：获取异常脑原图像；对异常脑原图像进行归一化处理，利用灰度共生矩阵提取纹理特征图像，搭建卷积神经网络模型，将异常脑原图像和纹理特征图像输入至所搭建的卷积神经网络模型进行模型训练，基于训练好的卷积神经网络模型对核磁共振脑图像进行分割，其中，在卷积神经网络模型中引入位置注意力机制模块和通道注意力机制模块。通过结合灰度共生矩阵和双重注意力机制能够有效地分割出脑健康组织和肿瘤区域，提高三维异常脑图像的分割准确率。异常脑图像的分割准确率。异常脑图像的分割准确率。

【技术实现步骤摘要】
一种基于双重注意力机制的异常脑图像分割方法及系统


[0001]本申请属于医学图像处理
，尤其涉及一种基于双重注意力机制的异常脑图像分割方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]医学图像分割是图像分析处理中的一项关键技术，根据图像内区域的相似性以及特异性将感兴趣的有关组织分离出来，并提取相关特征。这对于临床诊断和治疗过程具有重要意义，是一切后续工作的主要前提，而分割效果的好坏程度也会直接影响到后续的信息处理工作的顺利进行。
[0004]脑肿瘤作为脑内的异常组织，被认为是一种常见的神经系统疾病，危害大脑的健康组织，且生长速度快，不易被发现。磁共振成像(Magnetic resonance imaging，MRI)是一种典型的非侵入性成像技术，可以产生高质量的无损伤和颅骨伪影的脑图像，被认为是诊断和治疗脑肿瘤的主要技术手段。通过多模态脑图像，医生可以对脑肿瘤进行定量分析，从而做出最佳诊断患者治疗方案。然而，从MR图像中手工分割脑瘤需要大量的时间、资源和专业知识此外，人工分割依赖于临床经验，不同专家对每个肿瘤分区的分割存在显著差异。计算机自动分割不仅节省了时间和成本，而且提高了定量的客观性分析。因此，通过对异常脑磁共振图像进行自动分割可以为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断。
[0005]在图像分割的早期，深度学习尚未出现，通常采用传统的机器学习方法进行分割。Joseph等人利用阈值来确定肺组织，从而实现了应用于x射线计算机断层摄影的自动分割基于阈值的分割方法直接利用了图像的灰度特性，计算速度较快，但只能适用于目标与背景差异较大的图像。Tang等人采用边缘分割，然后采用基于脑组织结构连接性的区域分割，以显示更精细的脑组织结构。Juang等人提出了一种基于k均值的颜色转换分割算法，其核心思想是将灰度图像输入转换成颜色空间图像，然后对经过聚类指标标记的图像进行运算，对给定的MRI图像进行分割。
[0006]随着深度学习技术的不断突破，基于深度学习的自动图像分割方法也取得了很大的发展。Ronneberger等人提出了一种用于医学图像分割的对称全卷积网络U
‑
Net。U
‑
Net由一个包含多个卷积层的压缩路径(用于下采样输入图像)、一个扩展路径(用于上采样深度特征图)和一个跳过连接(用于从编码器
‑
解码器网络合并裁剪后的特征图)组成，极大地提高了医学图像的分割性能。但是，专利技术人发现，多次卷积操作导致特征图的边缘信息消失，影响异常脑图像的分割准确率。

技术实现思路

[0007]为克服现有技术的不足，针对脑肿瘤图像数据集少，现有分割算法精度低等问题，
本申请提供一种基于双重注意力机制的异常脑图像分割方法及系统。
[0008]本申请采用的技术方案如下：
[0009]第一方面，本专利技术实施例提供一种基于双重注意力机制的异常脑图像分割方法，包括：
[0010]获取异常脑原图像；
[0011]对所述异常脑原图像进行归一化处理，利用灰度共生矩阵生成纹理特征图像，搭建卷积神经网络模型，将所述异常脑原图像和纹理特征图像输入至所搭建的卷积神经网络模型进行模型训练，基于训练好的卷积神经网络模型对核磁共振脑图像进行分割；
[0012]其中，所述卷积神经网络模型包括编码器和解码器，在编码器中，设置五个卷积模块，每个模块包含一个残差单元；在解码器中，第一次上采样融入位置注意力机制模块和通道注意力机制模块，之后的上采样只融入通道注意力机制模块；所述异常脑原图像和纹理特征图像分别经过编码器进行特征提取，得到特征图，所述特征图在进行跳跃连接之后输入至解码器。
[0013]在一种可能的实施方式中，还包括：将获取到的核磁共振脑图像按照设定比例划分为训练集和验证集；所述训练集的核磁共振脑图像用于训练所述卷积神经网络模型，所述验证集的核磁共振脑图像用于在所述卷积神经网络模型训练完成之后，对卷积神经网络模型的分割效果进行测试与评价。
[0014]在一种可能的实施方式中，利用灰度共生矩阵计算统计量均值、标准差、对比度和相异度，生成均值、标准差、对比度和相异度的纹理特征图像。
[0015]在一种可能的实施方式中，所述编码器包括五个卷积模块，第一个卷积模块将异常脑原图像和生成的纹理特征图像输入进来进行3
×3×
3卷积，经过批标准化层和LeakyRelu激活后短连接输入到下一个卷积模块，第二个卷积模块至第五个卷积模块使用残差块来取代池化层。
[0016]在一种可能的实施方式中，所述残差模块包括两个单元，每个单元由正则化、激活函数和3
×3×
3卷积层组成。
[0017]在一种可能的实施方式中，所述解码器包括四个上采样层，所述特征图进行第一次上采样拼接之后，经过拼接的通道注意力机制模块和位置注意力机制模块输入到残差模块；第二个上采样层的输入包括前一个上采样层的输出和编码器中第三个卷积层中异常脑原图像和纹理特征图像深度卷积路径和标准卷积路径的输出，经过第二次上采样拼接后，经过通道注意力机制模块输入到残差模块；第三个上采样层和第四个上采样层采用与第二个上采样层同样的方式，最后使用softmax函数对上采样阶段的输出进行激活。
[0018]在一种可能的实施方式中，所述卷积神经网络模型的损失函数选择为交叉熵和dice loss相结合。
[0019]第二方面，本申请实施例提供一种基于双重注意力机制的异常脑图像分割系统，包括：
[0020]获取模块，用于获取异常脑原图像；
[0021]分割模块，用于对所述异常脑原图像进行归一化处理，利用灰度共生矩阵提取纹理特征图像，搭建卷积神经网络模型，将所述异常脑原图像和纹理特征图像输入至所搭建的卷积神经网络模型进行模型训练，基于训练好的卷积神经网络模型对核磁共振脑图像进
行分割；
[0022]其中，所述卷积神经网络模型包括编码器和解码器，在编码器中，设置五个卷积模块，每个模块包含一个残差单元；在解码器中，第一次上采样融入位置注意力机制模块和通道注意力机制模块，之后的上采样只融入通道注意力机制模块；所述异常脑原图像和纹理特征图像分别经过编码器进行特征提取，得到特征图，所述特征图在进行跳跃连接之后输入至解码器。
[0023]第三方面，本专利技术实施例提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的异常脑图像分割方法的步骤。
[0024]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重注意力机制的异常脑图像分割方法，其特征在于，包括：获取异常脑原图像；对所述异常脑原图像进行归一化处理，利用灰度共生矩阵生成纹理特征图像，搭建卷积神经网络模型，将所述异常脑原图像和纹理特征图像输入至所搭建的卷积神经网络模型进行模型训练，基于训练好的卷积神经网络模型对核磁共振脑图像进行分割；其中，所述卷积神经网络模型包括编码器和解码器，在编码器中，设置五个卷积模块，每个模块包含一个残差单元；在解码器中，第一次上采样融入位置注意力机制模块和通道注意力机制模块，之后的上采样只融入通道注意力机制模块；所述异常脑原图像和纹理特征图像分别经过编码器进行特征提取，得到特征图，所述特征图在进行跳跃连接之后输入至解码器。2.如权利要求1所述的异常脑图像分割方法，其特征在于，还包括：将获取到的核磁共振脑图像按照设定比例划分为训练集和验证集；所述训练集的核磁共振脑图像用于训练所述卷积神经网络模型，所述验证集的核磁共振脑图像用于在所述卷积神经网络模型训练完成之后，对卷积神经网络模型的分割效果进行测试与评价。3.如权利要求1所述的异常脑图像分割方法，其特征在于，利用灰度共生矩阵计算统计量均值、标准差、对比度和相异度，生成均值、标准差、对比度和相异度的纹理特征图像。4.如权利要求1所述的异常脑图像分割方法，其特征在于，所述编码器包括五个卷积模块，第一个卷积模块将异常脑原图像和生成的纹理特征图像输入进来进行3
×3×
3卷积，经过批标准化层和LeakyRelu激活后短连接输入到下一个卷积模块，第二个卷积模块至第五个卷积模块使用残差块来取代池化层。5.如权利要求4所述的异常脑图像分割方法，其特征在于，所述残差模块包括两个单元，每个单元由正则化、激活函数和3
×3×
3卷积层组成。6.如权利要求1所述的异常脑图像分割方法，其特征在于，所述解码器包括四个上采样层，所述特征图...

【专利技术属性】
技术研发人员：胡顺波，张付春，王玉文，李盟，白贤彪，孔德壮，胡尊瑞，
申请(专利权)人：临沂大学，
类型：发明
国别省市：