一种乳腺超声肿瘤图像分割方法

本发明属于电数字数据处理，尤其涉及一种乳腺超声肿瘤图像分割方法。

背景技术：

1、超声成像技术利用高频超声波在人体内部传播，遇到不同组织或界面反射、折射后由探头接收回波，经计算机处理转化为实时的图像，可以显示病变组织的形态、位置及运动状态。该技术因无辐射、可实时动态观察、操作便捷、成本相对较低等特点，广泛应用于医学诊断，尤其是适用于40岁以下女性乳腺筛查。但超声图像的空间分辨率和对比度较弱，在乳腺组织致密的情况下，正常组织与病变组织的回声差异较小，可能导致小病灶被掩盖。

2、近年来，基于深度学习的医学图像分割技术取得了显著突破，其中u形编码器-解码器网络（如u-net及其变体）因其在像素级定位中的有效性，成为医学图像分割的主流架构。现有混合双路径网络尝试通过并行分支提取互补特征。一些学者提出mf-net，采用transformer辅助双编码器与多特征提取分支相协同，分别建模长程全局依赖与鲁棒局部细节，以改善乳腺病灶边界分割精度；一些学者提出eh-former，设计难易区域感知的双流transformer，两条路径分治简单与困难区域特征，并通过动态融合实现渐进式学习，有效应对超声图像中的噪声与模糊边界；一些学者提出syn-net，构建同步局部-全局双分支编码器，借助频率感知交叉融合模块整合多尺度特征，增强对复杂组织结构和强度相似区域的鉴别能力。

3、尽管深度学习在医学图像目标分割领域取得了阶段性突破，然而现有方法仍存在局限。传统跳跃连接仅实现固定的深浅层特征拼接，难以建模层级依赖，导致低对比度异形病灶分割断裂、边缘失真并引发语义鸿沟；同时，多数单分支模型或堆叠复杂注意力而计算开销过高，或难以兼顾局部细节挖掘与全局语义融合，无法适配复杂超声影像的精准分割需求。

技术实现思路

1、本发明目的在于提供一种乳腺超声肿瘤图像分割方法，能够在进行医学图像分割时提升分割指标，更精准分割的同时比起其他较为先进的混合双路径框架方法有更少的计算复杂度和推理时间，以解决现有技术中低对比度异形病灶分割断裂、边缘失真并引发语义鸿沟及无法适配复杂超声影像的精准分割需求的技术问题。

2、为解决上述技术问题，本发明的具体技术方案如下：

3、一种乳腺超声肿瘤图像分割方法，所述方法包括如下步骤：

4、步骤s1：收集乳腺超声医学数据集，并将乳腺肿瘤超声图像数据集分别训练集、验证集和测试集；

5、步骤s2：将乳腺超声医学数据集中的图像处理为相同尺寸，使用随机旋转和水平翻转的操作对训练集的图像进行增强；

6、步骤s3：构建混合双路径医学图像分割模型，所述模型由一个卷积编码层、一个注意力编码层、一个注意力特征融合器、一个卷积特征融合器、两个空间金字塔特征增强器、一个卷积与注意力特征混合器和一个解码层构成；

7、步骤s4：将训练集中的待处理图像输入混合双路径医学图像分割模型进行分割，得到分割图像；

8、步骤s5：构建损失函数对混合双路径医学图像分割模型进行训练，得到训练好的混合双路径医学图像分割模型；

9、步骤s6：利用训练好的混合双路径医学图像分割模型对测试集中的乳腺肿瘤超声图像进行分割。

10、进一步地，步骤s3包括如下步骤：

11、步骤s31：构建卷积编码层；卷积编码层包含4个依次级联的卷积编码器，每个卷积编码器包含依次级联的3×3卷积、归一化层、通道扩张压缩卷积、残差连接、3×3卷积下采样、归一化层、通道扩张压缩卷积、1×1卷积下采样及残差连接；

12、步骤s32：构建注意力编码层，注意力编码层包含12个依次级联的注意力编码器，每个注意力编码器包含依次级联的归一化层、多头注意力、残差连接、归一化层、多层感知机及残差连接；

13、步骤s33：构建注意力特征融合器；注意力特征融合器包含依次级联的3×3卷积、归一化层、自适应池化层、共享卷积核、sigmoid激活和残差连接。

14、步骤s34：构建卷积特征融合器；卷积特征融合器包含依次级联的3×3卷积、归一化层、1×1卷积、共享线性层、自注意力层和残差连接。

15、步骤s35：构建空间金字塔特征增强器；空间金字塔特征增强器包含依次级联的通道均分、膨胀卷积、深度可分离卷积、通道拼接、1×1卷积、激活层和残差连接；

16、步骤s36：构建卷积与注意力特征混合器；卷积与注意力特征混合器包含依次级联的自适应池化、1×1卷积、softmax激活、可学习卷积核、深度卷积、通道扩张压缩卷积、深度可分离卷积、残差连接及激活层；

17、步骤s37：构建解码层；解码层包含4个依次级联的解码器，每个解码器包含依次级联的3×3卷积、归一化层、通道扩张压缩卷积、残差连接、3×3卷积上采样、归一化层、通道扩张压缩卷积、1×1卷积上采样及残差连接。

18、进一步地，步骤s4包括如下步骤：

19、步骤s41：将训练集中的同一待处理图像输入卷积编码层和注意力编码层，分别得到卷积特征和注意力特征；

20、步骤s42：将注意力特征和卷积特征输入注意力特征融合器，得到融合卷积特征；

21、步骤s43：将注意力特征和卷积特征输入卷积特征融合器，得到融合注意力特征；

22、步骤s44：将融合卷积特征输入第一空间金字塔特征增强器，得到增强卷积特征；

23、步骤s45：将融合注意力特征输入第二空间金字塔特征增强器，得到增强注意力特征；

24、步骤s46：将增强卷积特征与增强注意力特征进行通道拼接，得到拼接特征；

25、步骤s47：将拼接特征输入卷积与注意力特征混合器，得到混合特征；

26、步骤s48：将混合特征输入解码层得到分割图像。

27、进一步地，步骤s5中的损失函数为：

28、

29、其中，表示损失函数，表示比例系数；表示二元交叉熵损失函数；表示dice损失函数；是预测值，是目标值。

30、相对于现有技术，本发明具有以下有益技术效果：本发明创新地提出了一种将注意力特征与卷积特征融合的混合双路径框架网络，能够在进行医学图像分割时提升分割指标，更精准分割的同时比起其他较为先进的混合双路径网络方法有更少的计算复杂度和推理时间。除此之外，本发明整体模型结构精简、适配性强，硬件部署门槛低，可灵活适配不同等级的终端设备，既能够在高性能服务器、云端平台实现批量快速分割处理，也可部署在嵌入式终端、医用轻量化设备等算力有限的硬件场景中，满足临床床边诊断、实时影像筛查、基层医疗设备落地等多样化应用需求。

1.一种乳腺超声肿瘤图像分割方法，其特征在于，所述方法包括如下步骤：

2.根据权利要求1所述的乳腺超声肿瘤图像分割方法，其特征在于，步骤s3包括如下步骤：

3.根据权利要求2所述的乳腺超声肿瘤图像分割方法，其特征在于，步骤s4包括如下步骤：

4.根据权利要求1所述的乳腺超声肿瘤图像分割方法，其特征在于，步骤s5中的损失函数为：