一种基于掩码反哺记忆增强的腹部CT分割方法与流程

本发明涉及图像处理，具体涉及一种基于掩码反哺记忆增强的腹部ct分割方法。

背景技术：

1、腹部器官的精确分割是计算机辅助诊疗、手术规划与放疗靶区勾画的重要前提。近年来，基于深度学习的分割方法在医学图像处理领域取得了显著进展。以u-net及其变体、nnu-net为代表的卷积神经网络类方法，通过编码器-解码器结构配合跳跃连接，能够有效提取图像的局部纹理特征，并在腹部器官分割任务中获得了广泛应用。然而，卷积运算的局部感受野特性使得该类方法对长程依赖关系与全局上下文信息的建模能力不足，难以应对器官形状的大幅度变异和边界模糊等复杂情况。以swin-unetr为代表的纯transformer类方法，借助自注意力机制的全局感知能力，在建模远距离像素间依赖关系方面具有优势，但其对局部细节和精细边界的刻画能力仍存在局限，尤其对于胰脏等体积占比小、边界对比度低的小目标器官，分割精度仍不理想。近年来，以segment anything model 2（sam2）为代表的可提示分割模型，通过引入记忆机制对视频序列进行逐帧处理，为医学ct体数据的层间连续分割提供了新的技术思路。已有研究尝试将sam2应用于医学图像分割，通过记忆库存储历史帧信息以引导当前帧的分割，在一定程度上提升了分割的层间一致性。然而，sam2的记忆编码器仅将原始图像特征与预测掩码进行简单融合后存入记忆库，未能充分利用预测掩码对原始图像内容本身进行有选择性的增强，导致大量背景区域信息同样被编码进入记忆库，在跨帧传递过程中可能累积噪声，进而影响后续帧的分割准确性。此外，现有方法在无显影剂腹部ct影像中软组织对比度低的条件下，小目标器官的分割性能仍难以满足临床需求，公开胰脏数据集上的dice相似系数普遍低于百分之九十。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提出了一种基于掩码反哺记忆增强的腹部ct分割方法，包括步骤：

2、s1：获取腹部ct体数据，对腹部ct体数据中的各层切片进行预处理归一化，将预处理后的各层切片按解剖顺序排列为图像序列；

3、s2：以图像序列中的当前帧作为待分割输入，输入图像编码器提取多尺度图像特征，所述图像编码器在transformer编码层间穿插卷积模块；

4、s3：将当前提示特征与多尺度图像特征进行通道维度拼接融合后输入掩码解码器，生成当前帧的预测掩码；

5、s4：将当前帧原始图像与预测掩码进行通道维拼接，经级联卷积与空间维度softmax归一化生成空间权重图，所述空间权重图的数值分布以预测掩码的高置信度区域为中心向背景区域衰减，并在权重和恒为一的情况下基于跨位置竞争产生；

6、s5：基于空间权重图对当前帧原始图像进行逐元素重加权，得到增强特征并存入记忆库；

7、s6：以当前帧的多尺度图像特征为查询向量，以记忆库中存储的历史增强特征为键向量和值向量进行记忆注意力融合，根据融合后的当前帧特征输出当前帧的器官分割结果；

8、s7：获取图像序列中各帧的器官分割结果并整合为三维器官分割结果。

9、本发明通过将预测掩码与原始图像经级联卷积及空间维度softmax生成以高置信度区域为中心向背景衰减的空间权重图，并对原始图像进行逐元素重加权，使存入记忆库的增强特征聚焦于目标器官区域、抑制背景噪声跨帧累积，配合编码器中穿插卷积模块对局部细节的增强捕捉，共同提升了小目标器官的分割精度与层间一致性。

10、进一步地，所述s1步骤中，预处理还包括：对各层切片进行边缘检测获取各层切片的最大轮廓坐标，取全部层最大轮廓坐标的联集作为裁剪范围，对体数据执行背景裁剪。

11、进一步地，所述s1步骤中，预处理还包括：将各层切片像素值截断至预设灰度值区间，并将截断后的像素值线性映射至归一化区间。

12、进一步地，所述s1步骤中，预处理还包括：将各层切片划分为若干子块，对各子块执行对比度受限自适应直方图均衡。

13、进一步地，所述s2步骤中，通过卷积模块对邻近图像块的特征进行卷积融合。

14、进一步地，所述s3步骤中，提示特征由前一帧的预测掩码经记忆库传递生成。

15、进一步地，图像序列中第一帧的提示特征由目标检测算法自动生成。

16、进一步地，所述s4步骤中，级联卷积依次包括卷积核尺寸为3×3的第一卷积运算和卷积核尺寸为1×1的第二卷积运算。

17、进一步地，所述s4步骤中，跨位置竞争具体为：由空间权重图中各空间位置的响应强度在全部空间位置的响应强度总和中所占比例，确定空间权重图相应空间位置的数值分布。

18、进一步地，所述s5步骤中，记忆库存储增强特征的数量为预设容量阈值，当存入的增强特征超过预设容量阈值时，按先进先出策略更新记忆库。

19、与现有技术相比，本发明至少含有以下有益效果：

20、（1）本发明提出的一种基于掩码反哺记忆增强的腹部ct分割方法，配合图像编码器中穿插的卷积模块对局部细节的增强、预处理环节对软组织对比度的提升以及提示特征在推理阶段的自动传播，各模块协同作用，在nih tcia pancreas-ct数据集上达到92.3%的dice相似系数；

21、（2）在transformer层间穿插卷积模块以兼顾全局上下文建模与局部细节捕捉，配合预处理中的背景裁剪、灰度值截断映射及对比度受限自适应直方图均衡，各层次手段相互协同，使当前帧分割结果能够获取更可靠的历史经验引导，在无显影剂腹部ct影像的小目标器官分割任务中，相对于单独使用任一技术手段的方案，整体分割精度与层间一致性均获得稳定提升；

22、（3）通过空间维度softmax归一化使空间权重图中全部空间位置的权重值之和为1，促使各空间位置的权重值系通过跨位置竞争产生，而非对各空间位置分别独立进行sigmoid激活得到，相较于常规逐像素独立门控方式，本发明的空间权重图能够在保留目标区域高响应的同时，对背景区域的响应产生跨位置的相对抑制效果，使增强特征在存入记忆库前即获得更彻底的背景噪声抑制，减少噪声在跨帧记忆传播过程中的累积效应。

1.一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，包括步骤：

2.如权利要求1所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，所述s1步骤中，预处理还包括：对各层切片进行边缘检测获取各层切片的最大轮廓坐标，取全部层最大轮廓坐标的联集作为裁剪范围，对体数据执行背景裁剪。

3.如权利要求1所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，所述s1步骤中，预处理还包括：将各层切片像素值截断至预设灰度值区间，并将截断后的像素值线性映射至归一化区间。

4.如权利要求1所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，所述s1步骤中，预处理还包括：将各层切片划分为若干子块，对各子块执行对比度受限自适应直方图均衡。

5.如权利要求1所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，所述s2步骤中，通过卷积模块对邻近图像块的特征进行卷积融合。

6.如权利要求1所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，所述s3步骤中，提示特征由前一帧的预测掩码经记忆库传递生成。

7.如权利要求6所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，图像序列中第一帧的提示特征由目标检测算法自动生成。

8.如权利要求1所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，所述s4步骤中，级联卷积依次包括卷积核尺寸为3×3的第一卷积运算和卷积核尺寸为1×1的第二卷积运算。

9.如权利要求1所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，所述s4步骤中，跨位置竞争具体为：由空间权重图中各空间位置的响应强度在全部空间位置的响应强度总和中所占比例，确定空间权重图相应空间位置的数值分布。

10.如权利要求1所述的一种基于掩码反哺记忆增强的腹部ct分割方法，其特征在于，所述s5步骤中，记忆库存储增强特征的数量为预设容量阈值，当存入的增强特征超过预设容量阈值时，按先进先出策略更新记忆库。