【技术实现步骤摘要】
本专利技术涉及医学图像分割，尤其涉及的是一种基于多重注意力引导的超声图像分割系统及分割方法。
技术介绍
1、目前虽然可以根据ti-rads(一种量化甲状腺结节分级诊断流程的甲状腺成像报告和数据系统)提高甲状腺结节分类的准确性，但是，分类之前需要先对甲状腺结节进行准确分割，缺乏经验的临床医生分割不准确且耗时耗力，因此需要对甲状腺结节进行自动分割以提高医生评估甲状腺结节的准确率和工作效率。
2、由于结节的大小和位置不同，目前常用的分割网络对于这种边界不固定、大多成不规则形状分布的目标，分割精度并不高。
3、因此，现有技术有待改进和提高。
技术实现思路
1、本专利技术的主要目的在于提供一种基于多重注意力引导的超声图像分割系统、分割方法及智能终端，旨在解决现有分割精度不高的问题。
2、为了实现上述目的，本专利技术提供了一种基于多重注意力引导的超声图像分割系统，所述系统的骨干网络为unet网络，还设有若干个金字塔挤压注意力模块和双重注意力模块；
3、所述金字塔挤压注意力模块设于unet网络的瓶颈块中，用于在多个尺度提取输入瓶颈块的第一特征图的特征，获得若干第二特征图，在通道方向提取每个第二特征图的注意力向量，根据所述注意力向量获得各个所述第二特征图的权重，根据所述权重融合所有的所述第二特征图，获得融合后特征图，将所述融合后特征图作为所述瓶颈块的输出结果；
4、所述双重注意力模块包括通道注意力模块和空间注意力模块，所述通道注意力模块用
5、可选的，所述金字塔挤压注意力模块包括压缩拼接模块和压缩激励权重模块，所述压缩拼接模块包括若干个特征提取分支，每个特征提取分支上均设有卷积单元，所有卷积单元的尺度互不相同，所述卷积单元用于提取输入的第一特征图的特征，获得第二特征图；所述压缩激励权重模块包括池化单元、压缩单元和激励单元，所述池化单元用于在通道方向提取每个第二特征图的注意力向量，所述压缩单元用于对所述注意力向量进行编码，所述激励单元用于根据编码结果自适应校准通道之间的关系，获得每个所述第二特征图的权重。
6、可选的，根据当前unet层用于所述特征提取分支的卷积核的大小确定当前unet层的所述压缩拼接模块的分组规模。
7、可选的，所述金字塔挤压注意力模块中还包括点积运算单元，所述点积运算单元用于对所述第二特征图的权重和所述第二特征图进行点积运算，获得所述融合后特征图。
8、可选的，所述通道注意力模块和所述空间注意力模块中均设有用于进行最大池化操作的全局最大池化分支和用于进行平均池化操作的全局平均池化分支，所述通道注意力模块还设有共享多层感知器，所述共享多层感知器用于根据最大池化操作的结果和平均池化操作的结果提取所述通道特征信息；所述空间注意力模块还设有合并单元和卷积单元，所述合并单元用于合并最大池化操作的结果和平均池化操作的结果，获得合并后结果，所述卷积单元用于根据合并后结果提取所述空间特征信息。
9、可选的，还包括融合单元，所述融合单元用于融合所述通道特征信息和所述空间特征信息，获得双重注意力模块输出的特征图。
10、可选的，还包括训练模块，所述训练模块用于采用联邦学习方法训练所述超声图像分割系统。
11、可选的，所述训练模块中包括聚合单元，所述聚合单元用于分别计算每个客户端的样本个数与样本总数的比值，根据所述比值对每个客户端模型的参数进行加权，获得全局模型的参数。
12、为了实现上述目的，本专利技术还提供了一种基于多重注意力引导的超声图像分割方法，所述分割方法包括：
13、预先构建任意一项上述的基于多重注意力引导的超声图像分割系统并训练，获得训练后的超声图像分割系统；
14、将超声图像输入训练后的超声图像分割系统，获得超声图像分割结果。
15、为了实现上述目的，本专利技术还提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于多重注意力引导的超声图像分割程序，上述基于多重注意力引导的超声图像分割程序被上述处理器执行时实现任意一项上述基于多重注意力引导的超声图像分割系统。
16、由上述可见，本专利技术的超声图像分割系统以unet网络为骨干网络，通过金字塔挤压注意力模块提取不同尺度的空间信息，并将不同尺度的空间信息和跨通道的注意力特征进行集成，能够在更细致的级别上提取多尺度的空间信息；通过在跳跃链接中加入双重注意力模块，能够将通道特征信息和空间特征信息进一步传递到解码器中，促进编码器和解码器之间的信息交流和融合，得到更加精细的分割结果，提高分割精度。
本文档来自技高网...【技术保护点】
1.基于多重注意力引导的超声图像分割系统，其特征在于，所述系统的骨干网络为UNet网络，还设有若干个金字塔挤压注意力模块和双重注意力模块；
2.如权利要求1所述的基于多重注意力引导的超声图像分割系统，其特征在于，所述金字塔挤压注意力模块包括压缩拼接模块和压缩激励权重模块，所述压缩拼接模块包括若干个特征提取分支，每个特征提取分支上均设有卷积单元，所有卷积单元的尺度互不相同，所述卷积单元用于提取输入的第一特征图的特征，获得第二特征图；所述压缩激励权重模块包括池化单元、压缩单元和激励单元，所述池化单元用于在通道方向提取每个第二特征图的注意力向量，所述压缩单元用于对所述注意力向量进行编码，所述激励单元用于根据编码结果自适应校准通道之间的关系，获得每个所述第二特征图的权重。
3.如权利要求2所述的基于多重注意力引导的超声图像分割系统，其特征在于，根据当前UNet层用于所述特征提取分支的卷积核的大小确定当前UNet层的所述压缩拼接模块的分组规模。
4.如权利要求2所述的基于多重注意力引导的超声图像分割系统，其特征在于，所述金字塔挤压注意力模块中还包括点积运
5.如权利要求1所述的基于多重注意力引导的超声图像分割系统，其特征在于，所述通道注意力模块和所述空间注意力模块中均设有用于进行最大池化操作的全局最大池化分支和用于进行平均池化操作的全局平均池化分支，所述通道注意力模块还设有共享多层感知器，所述共享多层感知器用于根据最大池化操作的结果和平均池化操作的结果提取所述通道特征信息；所述空间注意力模块还设有合并单元和卷积单元，所述合并单元用于合并最大池化操作的结果和平均池化操作的结果，获得合并后结果，所述卷积单元用于根据合并后结果提取所述空间特征信息。
6.如权利要求5所述的基于多重注意力引导的超声图像分割系统，其特征在于，还包括融合单元，所述融合单元用于融合所述通道特征信息和所述空间特征信息，获得双重注意力模块输出的特征图。
7.如权利要求1所述的基于多重注意力引导的超声图像分割系统，其特征在于，还包括训练模块，所述训练模块用于采用联邦学习方法训练所述超声图像分割系统。
8.如权利要求7所述的基于多重注意力引导的超声图像分割系统，其特征在于，所述训练模块中包括聚合单元，所述聚合单元用于分别计算每个客户端的样本个数与样本总数的比值，根据所述比值对每个客户端模型的参数进行加权，获得全局模型的参数。
9.基于多重注意力引导的超声图像分割方法，其特征在于，所述方法包括：
10.智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于多重注意力引导的超声图像分割程序，所述基于多重注意力引导的超声图像分割程序被所述处理器执行时实现如权利要求1-8任意一项所述基于多重注意力引导的超声图像分割系统。
...【技术特征摘要】
1.基于多重注意力引导的超声图像分割系统，其特征在于，所述系统的骨干网络为unet网络，还设有若干个金字塔挤压注意力模块和双重注意力模块；
2.如权利要求1所述的基于多重注意力引导的超声图像分割系统，其特征在于，所述金字塔挤压注意力模块包括压缩拼接模块和压缩激励权重模块，所述压缩拼接模块包括若干个特征提取分支，每个特征提取分支上均设有卷积单元，所有卷积单元的尺度互不相同，所述卷积单元用于提取输入的第一特征图的特征，获得第二特征图；所述压缩激励权重模块包括池化单元、压缩单元和激励单元，所述池化单元用于在通道方向提取每个第二特征图的注意力向量，所述压缩单元用于对所述注意力向量进行编码，所述激励单元用于根据编码结果自适应校准通道之间的关系，获得每个所述第二特征图的权重。
3.如权利要求2所述的基于多重注意力引导的超声图像分割系统，其特征在于，根据当前unet层用于所述特征提取分支的卷积核的大小确定当前unet层的所述压缩拼接模块的分组规模。
4.如权利要求2所述的基于多重注意力引导的超声图像分割系统，其特征在于，所述金字塔挤压注意力模块中还包括点积运算单元，所述点积运算单元用于对所述第二特征图的权重和所述第二特征图进行点积运算，获得所述融合后特征图。
5.如权利要求1所述的基于多重注意力引导的超声图像分割系统，其特征在于，所述通道注意力模块和所述空间注意力模块中均设有用于进行最大池化操作的全局最大池化分支和用于进行平均池...
【专利技术属性】
技术研发人员：雷柏英，向卓，汪天富，陈敏思，田晓雨，赵程，柳懿垚，
申请(专利权)人：深圳大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。