融合边界感知特征的完备注意力卷积神经网络医学图像分割方法

摘要: 本发明涉及医学图像处理与深度学习,具体的讲,是涉及一种融合边界感知特征的完备注意力卷积神经网络医学图像分割方法。背景技术:1、医学图像分割是医学图像分析中的基础...
融合边界感知特征的完备注意力卷积神经网络医学图像分割方法

本发明涉及医学图像处理与深度学习,具体的讲,是涉及一种融合边界感知特征的完备注意力卷积神经网络医学图像分割方法。

背景技术:

1、医学图像分割是医学图像分析中的基础任务之一,广泛应用于病灶定位、器官勾画、手术规划、放射治疗靶区确定以及疾病辅助诊断等场景。常见医学图像包括ct、mri、超声图像、病理图像等。由于医学图像中不同组织之间灰度差异较小,病灶区域形态复杂且边界模糊,加之目标区域在整幅图像中占比较小,导致医学图像分割任务具有较高难度。

2、现有基于卷积神经网络与注意力机制的医学图像分割方法,通常采用“特征编码器+通道注意力+像素注意力”的网络架构。该类方法一般先利用特征编码器提取不同通道数和不同空间尺度的卷积激活图,再通过通道注意力机制对多尺度特征进行通道加权,最后通过像素注意力学习像素级权重并输出分割结果。完备注意力卷积神经网络便是其中的典型代表,其包含特征编码器模块、通道注意力模块、多尺度融合模块以及像素注意力模块。特征编码器模块用于提取不同尺度的卷积激活特征;通道注意力模块用于学习不同通道的重要性权重;多尺度融合模块用于对不同尺度特征进行上采样、通道对齐及卷积融合;像素注意力模块根据多尺度融合特征与深层卷积特征共同生成像素注意力系数矩阵,并利用该矩阵得到最终分割结果。

3、上述现有技术虽然能够通过多尺度注意力机制在一定程度上提升分割性能,但在复杂边界场景下仍存在以下尚未解决的技术问题:

4、第一、边界信息主要依赖像素注意力的隐式建模,缺少独立的边界预测分支,难以对模糊边界形成显式约束,导致网络对目标轮廓的辨识能力有限。

5、第二、训练目标多以交叉熵损失为主,虽可优化像素分类的准确性,但对边界区域、小目标区域及类别不平衡问题的约束不足,使得模型容易偏向大面积背景或目标内部区域。

6、第三、边界像素在整幅图像中占比较低,在训练过程中其损失梯度极易被大面积背景或目标内部区域淹没,导致模型对边界特征的关注与学习不充分。

7、第四、当分割目标呈现形状不规则、边缘模糊、微小病灶或细长结构时,仅依赖多尺度融合特征与深层卷积特征进行像素注意力学习,容易产生边界外扩、内缩、断裂或漏分割现象。

技术实现思路

1、针对现有技术中边界信息依赖隐式建模、缺少独立边界约束导致复杂边界场景下分割精度低、易产生边界外扩或内缩等技术问题,本发明提供一种融合边界感知特征的完备注意力卷积神经网络医学图像分割方法,通过引入边界感知模块提取显式边界特征,将其作为第三类输入引入像素注意力计算中,并结合多任务联合损失函数,实现区域分割精度与边界贴合度的同步提升。

2、为了实现上述目的,本发明采用的技术方案如下:

3、一种融合边界感知特征的完备注意力卷积神经网络医学图像分割方法,包括以下步骤:

4、s10、获取训练医学图像及其对应的真实分割标签,并对所述训练医学图像进行预处理;

5、s20、将预处理后的训练医学图像输入特征编码器模块,得到不同通道数和不同尺寸的多尺度卷积激活图;

6、s30、将所述多尺度卷积激活图分别输入至对应的多个通道注意力模块,得到经通道加权后的多尺度卷积激活图;

7、s40、根据经通道加权后的多尺度卷积激活图生成多尺度融合特征和深层卷积特征;

8、s50、构建边界感知模块,将所述特征编码器模块输出的浅层级特征和深层级特征输入所述边界感知模块,生成边界增强特征和边界预测图;

9、s60、将所述多尺度融合特征、深层卷积特征和边界增强特征共同输入改进像素注意力模块,学习得到边界引导像素注意力系数矩阵;

10、s70、利用所述边界引导像素注意力系数矩阵,对所述多尺度融合特征进行像素级加权,得到训练医学图像的最终分割图;

11、s80、根据所述真实分割标签生成真实边界图,并基于分割损失和边界损失对医学图像分割模型进行联合训练,得到最优医学图像分割模型;

12、s90、确定测试医学图像,将所述测试医学图像输入至所述最优医学图像分割模型中,得到测试医学图像的最终分割结果。

13、具体地,所述步骤s10中,对所述训练医学图像进行预处理的过程包括:灰度归一化、尺寸统一与标准化操作,以及随机翻转、旋转和随机裁剪的数据增强操作;所述尺寸统一为将图像尺寸调整至预设分辨率;

14、所述真实分割标签与所述训练医学图像的像素一一对应,用于后续区域监督及边界标签构建。

15、具体地,所述步骤s20中的特征编码器模块采用u-net式编码结构,包括多个级联特征编码块及附加特征编码块,每个所述级联特征编码块包括两个卷积层和一个池化层,所述附加特征编码块包括两个卷积层;通过逐层下采样提取由浅到深的多个层级特征,形成多尺度卷积激活图,其中浅层级特征保留高分辨率纹理和边缘细节,深层级特征包含目标区域语义与上下文信息。

16、具体地,所述步骤s30中的通道注意力模块将输入的对应尺度卷积激活图通过池化、级联、矩阵变换以及softmax归一化操作学习得到相应的通道注意力系数矩阵,并利用所述通道注意力系数矩阵对对应尺度卷积激活图进行通道加权,得到对应通道增强的卷积激活图,以对目标相关通道进行增强并抑制背景噪声通道。

17、具体地,所述步骤s40中,根据经通道加权后的多尺度卷积激活图生成多尺度融合特征和深层卷积特征的过程包括:

18、将通道加权后的多个层级特征经上采样至统一空间尺寸并进行卷积融合,得到多尺度融合特征,用于提供多尺度结构信息与边缘细节;

19、将通道加权后的深层级特征经连续卷积映射得到深层卷积特征,用于提供目标区域高级语义信息。

20、具体地,所述步骤s50中的边界感知模块采用sobel算子对输入特征进行边界响应计算,包括:

21、分别采用水平方向sobel卷积核和垂直方向sobel卷积核对输入特征进行卷积运算,得到水平方向梯度响应和垂直方向梯度响应;

22、将所述水平方向梯度响应和垂直方向梯度响应在通道维度进行拼接,得到梯度融合响应;

23、对所述梯度融合响应进行sigmoid归一化处理,得到边界响应图;

24、将所述边界响应图与对应输入特征进行逐元素相乘,得到边界增强后的特征。

25、具体地,所述步骤s50中生成边界增强特征和边界预测图的过程还包括:

26、对深层级特征进行上采样,使其空间尺寸与浅层级特征一致;

27、分别通过卷积调整浅层级特征和上采样后的深层级特征的通道数;

28、对浅层级特征进行边界响应计算得到浅层边界增强特征,对深层级特征进行边界响应计算得到深层边界增强特征;

29、将所述浅层边界增强特征和深层边界增强特征进行拼接,并通过卷积融合生成边界增强特征;

30、将所述边界增强特征输入边界预测头,生成边界预测图。

31、具体地,所述步骤s60中的改进像素注意力模块将边界增强特征作为第三类输入参与像素注意力计算,所述边界引导像素注意力系数矩阵通过如下方式获得:

32、

33、上式中,df表示多尺度融合特征,ds表示深层卷积特征,bf表示边界增强特征,表示通道维度拼接,conv表示卷积操作,relu表示非线性激活函数,表示sigmoid函数。

34、具体地,所述步骤s70中的最终分割图f表示为:

35、

36、上式中,为逐像素乘法。

37、具体地,所述步骤s80中,真实边界图由真实分割标签经形态学膨胀操作和形态学腐蚀操作生成;所述联合训练的损失函数包括交叉熵损失、dice损失和边界dice损失。

38、与现有技术相比,本发明具有以下有益效果:

39、(1)本发明通过构建边界感知模块对浅层级特征和深层级特征进行sobel梯度计算与融合,实现了对目标区域模糊边界和细小结构的显式建模,从而克服了现有技术中边界信息仅依赖隐式建模导致边界约束不足的问题,显著提升了复杂边界场景下的分割连续性。

40、(2)本发明通过将边界增强特征作为第三类输入引入像素注意力模块,实现了边界引导的像素注意力系数矩阵学习,从而使模型由“区域注意力分割”升级为“边界引导注意力分割”,有效提高了边界邻域像素权重分配的准确性,减少了边界外扩、内缩及断裂现象。

41、(3)本发明通过基于真实分割标签生成真实边界图,并结合交叉熵损失、dice损失和边界dice损失构建联合训练函数,实现了区域分割准确性与边界贴合度的多目标协同优化,从而缓解了类别不平衡问题并增强了模型对小病灶和低对比度区域的识别能力。