基于动态轻量门控注意力的乳腺癌超声图像分割方法

本发明涉及超声图像分割，尤其涉及基于动态轻量门控注意力的乳腺癌超声图像分割方法。

背景技术：

1、传统的超声图像分割技术主要基于灰度、纹理和颜色等显式特征。针对乳腺癌超声图像，传统的分割方法包括：一种基于同质补片的归一化切割算法变体，用于从超声图像中分割乳腺肿瘤；一种基于水平集主动轮廓的乳腺癌超声图像分割模型；一种表征乳腺肿瘤边界的方法，等等。然而，上述这些传统方法不仅耗时，而且当处理低对比度、复杂和有噪声的乳腺癌超声图像时，其分割性能显著下降。

2、近年来，深度学习方法在超声图像分割领域展现出显著优势。现有的深度学习模型有gg-net、mssa-net、aau-net、unext、cmunext网络，等等。其中，gg-net结合全局引导块和边界检测模块，以有效地捕获多级上下文信息。mssa-net通过将多尺度特征图与自注意机制相结合，显著提高了分割性能。aau-net使用混合自适应注意模块来实现跨通道和空间维度的鲁棒特征选择。尽管上述现有的深度学习方法显著提升了超声图像分割的精度，但其庞大的网络参数和计算复杂度限制了临床实用性。unext网络作为首个结合卷积与mlp的快速医学图像分割网络，开创了轻量化设计的先河。随后提出的cmunext网络通过大核卷积和跳跃融合策略进一步提升了分割效率。然而值得注意的是，目前尚未出现专门针对乳腺癌超声图像特性进行优化的轻量级分割模型，这一技术空白亟待填补。

技术实现思路

1、为解决上述技术问题，本发明提供基于动态轻量门控注意力的乳腺癌超声图像分割方法。本发明的技术方案如下：

2、基于动态轻量门控注意力的乳腺癌超声图像分割方法，包括：

3、s1，通过编码器的卷积层对待分割乳腺癌超声图像进行初步特征提取，得到待分割乳腺癌超声图像的初始特征图；

4、s2，通过编码器的多个级联的动态轻量注意力模块处理初始特征图，由每个动态轻量注意力模块输出对应层级的低级特征图；

5、s3，通过解码器中的多个层级的频域增强模块对每个层级的低级特征图进行跳跃连接，生成最终结果图；

6、s4，处理最终结果图，得到与待分割乳腺癌超声图像尺寸一致的分割结果图并输出。

7、优选的，所述s2包括：

8、s21，将初始特征图输入编码器的第一个动态轻量注意力模块，由每个动态轻量注意力模块输出对应层级的初始低级特征图；

9、s22，通过2×2的最大池化层对每个层级的初始低级特征图进行下采样，得到每个层级的低级特征图，其中，将每个层级的低级特征图作为下一个动态轻量注意力模块的输入。

10、优选的，所述s21包括：

11、s211，将初始特征图输入编码器的第一个动态轻量注意力模块中后，根据动态通道拆分层的动态轻量门控注意力机制自动生成四个通道权重系数；

12、s212，将初始特征图通过动态通道拆分层进行自适应通道分配，之后将初始特征图与四个通道权重系数分别进行相乘，得到四个子特征图，将四个子特征图分别输入四个并行的注意力分支中，其中，四个并行的注意力分支分别为点注意力分支、局部注意力分支、中等范围注意力分支和全局注意力分支，且每个注意力分支是由3×3深度可分离卷积层、1×1卷积层和gelu激活单元构成的轻量级架构；

13、s213，通过四个并行的注意力分支对四个子特征图分别进行增强处理，由四个并行的注意力分支输出四个增强特征图；

14、s214，将四个增强特征图拼接后输入多层感知机层进行特征整合，得到第一个动态轻量注意力模块对应的初始低级特征图。

15、优选的，所述s214包括：

16、s2141，对四个增强特征图进行拼接操作，得到初始增强特征图；

17、s2142，将初始增强特征图输入多层感知机层中，在多层感知机层中通过非线性变换进行特征整合，得到第一个动态轻量注意力模块对应的初始低级特征图。

18、优选的，所述频域增强模块的数量与动态轻量注意力模块的数量相同且共有n个，所述s3包括：

19、s31，将最后一个层级的低级特征图作为第一个层级的频域增强模块的输入低级特征图，将输入低级特征图输入第一个层级的频域增强模块，由第一个层级的频域增强模块输出第一个层级的高级特征图；

20、s32，在生成第x层级的高级特征图时，将第x-1层级的高级特征图与第n-x层级的低级特征图进行跳跃连接，得到第x层级的跳跃连接结果图，将第x层级的跳跃连接结果图作为第x层级的频域增强模块的输入低级特征图，将输入低级特征图输入第x层级的频域增强模块，由第x层级的频域增强模块输出第x层级的高级特征图，其中，所述第x层级为第二个层级到第n个层级之间的任一层级；

21、s33，将第n个层级的频域增强模块输出的高级特征图作为最终结果图。

22、优选的，所述s32在将输入低级特征图输入第x层级的频域增强模块，由第x层级的频域增强模块输出第x层级的高级特征图时，包括：

23、s321，将输入低级特征图经过批归一化和1×1卷积实现初步特征校准，得到标准低级特征图；

24、s322，通过多个具有不同膨胀率的深度可分离卷积并行处理标准低级特征图，得到每个分支的全局特征图；

25、s323，将每个分支的全局特征图进行整合，得到细节特征图，对细节特征图进行权重标定，得到空间域特征图；

26、s324，将空间域特征图经过二次1×1卷积处理后和输入低级特征图进行相乘后相加，完成空间域特征的特征优化，得到空间特征图；

27、s325，基于快速傅里叶变换对空间特征图进行处理，得到第x层级的高级特征图。

28、优选的，所述s323在对细节特征图进行权重标定，得到空间域特征图时，包括：

29、s3231，通过轻量级非线性激活机制增强细节特征图的非线性表达能力，得到激活特征图；

30、s3232，通过轻量级的通道注意力机制对激活特征图进行通道权重标定与通道融合，得到空间域特征图。

31、优选的，所述s325包括：

32、s3251，对空间特征图进行快速傅里叶变换，得到幅度谱和相位谱；

33、s3252，将幅度谱依次通过1×1卷积、lrelu激活单元和1×1卷积处理，得到有效幅度谱；

34、s3253，将有效幅度谱和相位谱合并为复合频域数据，再对复合频域数据进行快速傅里叶逆变换，得到增强空间特征图；

35、s3254，将增强空间特征图和空间特征图进行相乘后相加，得到第x层级的高级特征图。

36、上述所有可选技术方案均可任意组合，本发明不对一一组合后的结构进行详细说明。

37、借由上述方案，本发明的有益效果如下：

38、本发明提出一种基于动态轻量门控注意力的乳腺癌超声图像分割方法，通过多个级联的动态轻量注意力模块，输出的低级特征图能够提升待分割乳腺癌超声图像（转换的初始特征图）的特征表达能力，并且轻量化的结构降低了对医学数据的需求量和计算成本。后续通过多个层级的频域增强模块进行上采样操作，实现了对待分割乳腺癌超声图像中关键区域细节和结构的重构，从而有针对性地解决了乳腺癌超声图像分割领域中图像病灶边界模糊、对比度低等关键难题。此外，通过跳跃连接的方法，进一步降低了计算复杂度并保持待分割乳腺癌超声图像中各类特征的空间一致性。

39、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。