一种基于双轨特征协同解码的乳腺癌图像分割系统

本发明涉及医学图像智能分割与计算机视觉，尤其涉及的是一种基于双轨特征协同解码的乳腺癌图像分割系统。

背景技术：

1、乳腺癌是女性临床高发恶性肿瘤，早期精准检出与边界评估是降低乳腺癌死亡率、制定个体化治疗方案的核心前提。通过乳腺影像（如超声、x线或mri）及早发现并精确分割病灶，对乳腺癌的良恶性鉴别及术前规划具有重要意义。目前，依靠人工阅片筛查与勾画病灶存在效率低、主观性强、因疲劳导致漏诊及边界判断误差大等问题，基于深度学习的自动图像分割算法已成为辅助诊断的主流研究方向。

2、当前主流乳腺癌分割网络多以u-net、transunet为基础架构。其中，transunet融合了transformer的全局建模能力与cnn的局部细节提取优势，相比传统纯卷积网络在全局病灶感知上具备更好性能，但现有标准transunet用于乳腺癌图像分割时仍存在显著缺陷：

3、（1）乳腺影像中的腺体纹理、脂肪间隙及斑点噪声等背景信息会随编码器逐层传递并混入各层级特征，导致微小结节或低对比度病灶的有效特征被淹没；

4、（2）编码器浅层细节特征与深层语义特征间存在显著语义鸿沟，简单特征组合难以充分建模跨层级依赖，造成小病灶定位不准与大肿块边界模糊；

5、（3）乳腺癌肿块尺度差异悬殊，固定感受野的特征提取难以同时覆盖多尺度目标，易致微小病灶漏检与大体积肿瘤分割不完整；

6、（4）乳腺癌肿块多呈浸润性生长且边界退化严重，常规解码网络缺乏针对性边界细化机制，导致分割轮廓粗糙断裂，难以满足临床对浸润范围精确评估的需求。

7、上述四类问题本质上是解码阶段缺少多级协同优化机制：既需抑制编码器特征中的组织噪声，又要弥合跨层级语义差异，还需感知多尺度病灶，并修复浸润性模糊边界。现有方法多依赖单一注意力模块或附加边界损失进行局部修补，难以在统一框架内同时完成上述任务，导致全局病灶感知与局部轮廓细节无法兼顾。

技术实现思路

1、本发明的目的在于提供一种基于双轨特征协同解码的乳腺癌图像分割系统，以解决现有乳腺癌图像分割技术中因编码器特征含组织噪声、跨层级语义鸿沟、病灶尺度差异大以及浸润性边界模糊而导致的分割精度低、鲁棒性不足等问题。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于双轨特征协同解码的乳腺癌图像分割系统，包括transunet编码主干、浅层特征筛选增强模块与多级解码器；所述多级解码器中设置有特征融合增强模块、多尺度特征提取模块及轮廓细化模块；所述transunet编码主干用于对输入图像进行分层编码，输出四个层级的编码器特征；所述浅层特征筛选增强模块接收所述编码器输出的浅层编码特征，生成浅层筛选增强特征，并将所述浅层筛选增强特征经尺度适配后输送至各级解码器中的轮廓细化模块；所述浅层特征筛选增强模块用于自适应筛选编码特征，抑制背景冗余干扰；所述浅层特征筛选增强模块与所述轮廓细化模块配合，形成与所述多级解码器主干通路并行的辅助细化通路，构成双轨特征协同解码结构；所述特征融合增强模块用于融合跨层级特征并通过双重注意力机制强化特征语义表征；所述多尺度特征提取模块用于构建多感受野提取分支并完成跨尺度特征交互；所述轮廓细化模块用于聚焦乳腺癌肿块的模糊边界区域，补充边缘细节以优化边界分割。

4、所述的系统，所述浅层特征筛选增强模块的输入为最浅层级编码特征与次浅层级编码特征；对次浅层级编码特征执行上采样处理，再分别对最浅层级编码特征与上采样后的次浅层级编码特征进行分组卷积处理与批归一化操作，使所述两种特征空间分辨率、通道维度完成对齐；将对齐后的所述两种特征沿通道维度拼接，再通过relu激活函数完成非线性映射，得到融合特征；将融合特征依次经过1×1逐点卷积、批归一化、sigmoid函数运算，生成自适应注意力权重图；将所述注意力权重图与对应层级的编码器输出的特征逐元素相乘，输出浅层筛选增强特征。

5、所述的系统，所述特征融合增强模块的输入为编码器输出的多层级特征；多层级特征按层级由浅至深依次记为最浅层级编码特征、次浅层级编码特征、次深层级编码特征和最深层级编码特征；其中，第一个特征融合增强模块的输入为与，第二个特征融合增强模块的输入为、与，第三个特征融合增强模块的输入为、、与；对于每个特征融合增强模块，以其输入中层级最深的编码特征为基准特征，将其余编码特征下采样至该基准特征的分辨率后，与基准特征沿通道维度拼接，得到初始融合特征；采用1×1逐点卷积对初始融合特征进行通道降维，通道降维后的特征并行输入通道注意力分支与空间注意力分支；通道注意力分支处理：对通道降维后的特征分别执行全局平均池化、全局最大池化，以提取通道描述信息；两路池化结果逐元素相加后，依次经全连接层、swish激活函数、全连接层与sigmoid函数处理后生成通道注意力权重图；将通道注意力权重图与通道降维后的特征逐元素相乘，得到通道增强特征；空间注意力分支处理：对通道降维后的特征分别执行均值池化、最大池化、最小池化与求和池化，并拼接多组池化结果，得到池化拼接特征；池化拼接特征依次经7×7逐深度卷积、1×1逐点卷积、swish激活函数、sigmoid函数得到空间注意力权重图；将空间注意力权重图与通道降维后的特征逐元素相乘，得到空间增强特征；将通道增强特征与空间增强特征进行双向交叉增强运算：首先以通道增强特征对空间增强特征进行逐元素相乘，得到第一交互增强特征；再以空间增强特征对通道增强特征进行逐元素相乘，得到第二交互增强特征；将上述两组交互增强特征沿通道维度拼接后，通过1×1逐点卷积完成通道降维，输出融合增强特征。

6、所述的系统，在所述多尺度特征提取模块中：

7、（1）将融合增强特征并行输入多路异构分支，所述分支按顺序依次为最大池化分支以及卷积核尺寸从小到大排列的多个逐深度卷积分支，用于捕获不同感受野下的初始特征；

8、（2）按上述分支顺序，将相邻分支输出的所述初始特征逐元素相乘，构建跨尺度交互特征，强化跨尺度信息关联；

9、（3）将全部跨尺度交互特征沿通道维度拼接，随后通过1×1逐点卷积调整通道数量，输出多尺度融合特征。

10、所述的系统，所述轮廓细化模块的输入为多尺度融合特征、浅层筛选增强特征、相邻深层解码器输出的分割预测图；对所述分割预测图执行上采样至当前层级分辨率，依据上采样后的预测图计算边界模糊权重图；将最浅层级编码器输出的浅层筛选增强特征下采样至当前层级分辨率，利用边界模糊权重图对下采样后的最浅层级编码器输出的浅层筛选增强特征逐元素相乘，突出乳腺癌肿块的边界模糊区域的浅层细节信息；所述突出浅层细节信息后的最浅层级编码器输出的浅层筛选增强特征与多尺度融合特征进行逐元素相加，再通过1×1逐点卷积完成通道映射，输出边界增强特征。

11、所述的系统，模型训练与性能测试采用cbis-ddsm数据集，所述数据集包含2620例经病理证实并由专业放射科医师标注病灶区域的乳腺x线影像，经预处理后统一调整为256×256像素尺寸；数据集按7:1:2比例划分为训练集、验证集与测试集。

12、所述的系统，模型训练阶段采用焦点损失与dice损失加权耦合构成联合损失函数，以损失值最小化为优化目标，通过反向传播算法迭代更新网络全部可学习参数；模型分割性能采用dice相似系数、平均交并比与像素准确率三项指标进行量化评估；训练过程中划分验证集实时监测模型泛化性能，结合学习率衰减策略抑制过拟合现象。

13、基于双轨特征协同解码的乳腺癌图像分割方法，以transunet为编码器对输入乳腺癌图像进行特征提取与逐级下采样，输出多层级编码特征。网络整体由编码阶段、浅层特征筛选增强模块和多级解码阶段构成。多级解码阶段形成以多层级编码特征为主的主干解码通路，浅层特征筛选增强模块与各级轮廓细化模块配合形成辅助细化通路，二者共同构成双轨特征协同解码结构。

14、浅层特征筛选增强模块接收浅层编码特征，生成自适应注意力权重图并对浅层编码特征进行像素级加权，滤除背景噪声并增强病灶响应，输出浅层筛选增强特征，经尺度适配后输送至各级轮廓细化模块，为边界修复提供干净的浅层细节。

15、特征融合增强模块在多级解码阶段对编码器输出的多层级编码特征进行递进式融合。该模块以层级最深的编码特征为基准，将其余编码特征对齐后拼接降维，再通过通道注意力与空间注意力双重机制以及双向交叉增强运算，弥合跨层级语义差异，输出融合增强特征。

16、多尺度特征提取模块将输入特征并行送入多路异构分支，捕获不同感受野下的特征，并通过跨尺度交互机制构建多尺度融合特征，兼顾不同尺寸病灶的特征提取，降低小病灶漏检风险。

17、轮廓细化模块在各级解码单元中接收多尺度融合特征、尺度适配后的浅层筛选增强特征以及相邻深层解码单元传递的分割预测图三路输入，以深层语义引导浅层细节补充，协同修复边界并生成中间分割预测图。最深层级解码单元输出的分割预测图经上采样恢复至原图分辨率，得到乳腺癌病灶分割结果。

18、与现有技术相比，本发明具有以下有益效果：

19、采用双轨特征协同解码结构，主干解码通路仅依赖多层级编码特征，辅助细化通路引入浅层筛选增强特征与深层预测图，避免传统跳跃连接带来的无关信息干扰；

20、浅层特征筛选增强模块从源头滤除背景噪声、增强病灶响应，提升浅层特征的有效性；

21、特征融合增强模块通过双重注意力机制与双向交叉增强运算，有效弥合跨层级语义差异，提升特征判别力；

22、多尺度特征提取模块通过多路异构分支与跨尺度交互机制，兼顾不同尺寸病灶的特征提取，降低小病灶漏检风险；

23、轮廓细化模块汇聚多尺度特征、浅层增强特征与深层预测图，以深层语义引导浅层细节补充，有效修复浸润性边界模糊问题，提升分割精度与鲁棒性。