【技术实现步骤摘要】
本专利技术涉及医学图像分割，尤其是涉及一种基于unet架构的医学图像分割方法、装置和介质。
技术介绍
1、随着计算机软硬件技术的发展，其中医学图像自动分割方法是临床辅助诊断中使用最多的技术之一。主要是从医学图像中自动分割病变区域，用于后续的诊断、分析。在肺炎病变分割医学场景中，计算机辅助诊断技术被用来诊断感染患者的肺部病理图像。然而由于医学成像设备的不同，不同模态图像之间存在较大差异。其中肺炎病灶区域呈现不规则的形状，或者医学扫描成像生成ct图像的分割目标与背景之间对比度较小。而且肺炎患者的病变区域大小会因为不同感染者体态之间的不同而存在较大差异，这些都使得临床快速准确分割肺炎病变感染区域变得更加困难。其次，在临床中对大量ct扫描成像的诊断需要进行人工评估，这是一项耗时的任务，并且会增加医疗专业人员的工作量要求。
2、基于深度学习方法的逐渐成熟，大大增强了计算机辅助诊断在临床中的应用，该方法可对病变感染区域进行识别，其中，卷积神经网络作为深度学习领域的一种实现方式。然而，现有基于卷积神经网络的诊断方法在对存在噪声较大、病灶感染区域不规则、边界模糊等肺炎图像进行分割时，存在分割准确率低，可靠性差等不足。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的分割准确率低的缺陷而提供一种基于unet架构的医学图像分割方法、装置和介质。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于unet架构的医学图像分割方法，包括以下步骤
4、获取待分割图像，将待分割图像进行预处理后，输入基于unet架构的分割网络中，得到分割结果；
5、其中，基于unet架构的分割网络为：基于unet的编码器和解码器，在编解码桥接处引入空洞空间卷积池化金字塔模块、空间卷积注意力金字塔模块，编码器对输入图像进行特征语义信息提取，编码器中最后一个编码层得到的特征语义信息输入到空洞空间卷积池化金字塔模块中，用于权重分配，空间卷积注意力金字塔模块通过扩大不同池化感受野，进行特征信息提取，在特征信息输出前与输入图像特征进行重新加权得到边缘细节信息，解码器在转置卷积之前采用双concatenate操作进行边缘细节信息与特征语义信息的融合。
6、进一步地，空间卷积注意力金字塔模块包括并行的多路分支以及一个特征信息输出前的注意力分支，多路分支的权重相同。
7、进一步地，并行的多路分支为4路，空间卷积注意力金字塔模块的表达式为：
8、
9、
10、
11、
12、fout＝x·sigmoid([f1,f2,f3,f4])
13、式中，fi表示asap模块的的第i个分支，u代表上采样操作，表示卷积核大小为1×1的卷积，maxi×i表示池化率为i×i的最大池化，avgi×i表示池化率为i×i的平均池化池化，gavg表示卷积平均池化，x表示输入到空间卷积注意力金字塔模块的输入信息，·表示元素相乘操作，[]表示conocatenate操作。
14、进一步地，预处理包括归一化、图像尺寸重塑和数据增强，图像尺寸重塑的方法为双线性插值法。
15、进一步地，归一化的计算表达式为：
16、max＝max(data)
17、min＝min(data)
18、
19、式中，data为原始数据，max为最大值，min为最小值，normalized_data为归一化后的数据。
20、进一步地，基于unet架构的分割网络的损失函数由dice损失和二元交叉熵损失的均值，计算表达式为：
21、loss＝mean(lossdice+lossbce)
22、式中，loss为损失函数，lossdice为dice损失，lossbce为二元交叉熵损失。
23、进一步地，编码器包括多个卷积块，卷积块间通过池化层连接，解码器包括多个反卷积块，每个反卷积块均包括第一卷积层和第二卷积层，反卷积块间通过上采样层连接，卷积块与反卷积块一一对应，每个卷积块均设有第一分支和第二分支，第一分支连接至对应反卷积块的第一卷积层，第二分支连接空洞空间金字塔池化模块后连接至对应反卷积块的第二卷积层，编码器的最后一层卷积块的输出连接空间卷积注意力模块，空间卷积注意力模块的输出为解码器的第一个反卷积块的输入。
24、进一步地，基于unet架构的分割网络的评价指标包括dice相似系数、交并比、敏感度、特异性、豪斯多夫距离和阳性预测值。
25、本专利技术的第二方面，一种基于unet架构的医学图像分割方法装置，包括存储器、处理器，以及存储于存储器中的程序，处理器执行程序时实现如上任一的一种基于unet架构的医学图像分割方法。
26、本专利技术的第三方面，一种存储介质，其上存储有程序，程序被执行时实现如上任一的一种基于unet架构的医学图像分割方法。
27、与现有技术相比，本专利技术具有以下有益效果：
28、1)本专利技术通过在unet网络中加入空洞空间卷积注意力金字塔模块和空间卷积池化金字塔模块，面对医学图像存在的边界模糊、区域不规则的问题，能够抑制不相关信息的提取，从而减少边界错误分割的比例，解决了unet存在的分割定位模糊和过度分割的问题。
29、2)本专利技术在解码器上转置卷积之前采用双concatenate融合信息操作，来促使解码器获得丰富的细粒度信息，进一步提升准确性。
本文档来自技高网...【技术保护点】
1.一种基于UNet架构的医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于UNet架构的医学图像分割方法，其特征在于，所述空间卷积注意力金字塔模块包括并行的多路分支以及一个特征信息输出前的注意力分支，所述多路分支的权重相同。
3.根据权利要求2所述的一种基于UNet架构的医学图像分割方法，其特征在于，所述并行的多路分支为4路，所述空间卷积注意力金字塔模块的表达式为：
4.根据权利要求1所述的一种基于UNet架构的医学图像分割方法，其特征在于，所述预处理包括归一化、图像尺寸重塑和数据增强，所述图像尺寸重塑的方法为双线性插值法。
5.根据权利要求4所述的一种基于UNet架构的医学图像分割方法，其特征在于，所述归一化的计算表达式为：
6.根据权利要求1所述的一种基于UNet架构的医学图像分割方法，其特征在于，所述基于UNet架构的分割网络的损失函数由Dice损失和二元交叉熵损失的均值，计算表达式为：
7.根据权利要求1所述的一种基于UNet架构的医学图像分割方法，其特征在于，所述编码器
8.根据权利要求1所述的一种基于UNet架构的医学图像分割方法，其特征在于，所述基于UNet架构的分割网络的评价指标包括Dice相似系数、交并比、敏感度、特异性、豪斯多夫距离和阳性预测值。
9.一种基于UNet架构的医学图像分割方法装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的一种基于UNet架构的医学图像分割方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的一种基于UNet架构的医学图像分割方法。
...【技术特征摘要】
1.一种基于unet架构的医学图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于unet架构的医学图像分割方法，其特征在于，所述空间卷积注意力金字塔模块包括并行的多路分支以及一个特征信息输出前的注意力分支，所述多路分支的权重相同。
3.根据权利要求2所述的一种基于unet架构的医学图像分割方法，其特征在于，所述并行的多路分支为4路，所述空间卷积注意力金字塔模块的表达式为：
4.根据权利要求1所述的一种基于unet架构的医学图像分割方法，其特征在于，所述预处理包括归一化、图像尺寸重塑和数据增强，所述图像尺寸重塑的方法为双线性插值法。
5.根据权利要求4所述的一种基于unet架构的医学图像分割方法，其特征在于，所述归一化的计算表达式为：
6.根据权利要求1所述的一种基于unet架构的医学图像分割方法，其特征在于，所述基于unet架构的分割网络的损失函数由dice损失和二元交叉熵损失的均值，计算表达式为：
7.根据权利要求1所述的一种基于unet架构的医学图像分割方法，其特征在于，所述编码器包括多个卷积...
【专利技术属性】
技术研发人员：毛琦，王文峰，张琰，田祎，
申请(专利权)人：上海工程技术大学，
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。