一种基于特征解耦的医学影像分割与分级联合建模方法与流程

本发明涉及医学影像智能分析与建模，具体涉及一种基于特征解耦的医学影像分割与分级联合建模方法。

背景技术：

1、医学影像数据在疾病筛查、辅助诊断、疗效评估和随访管理中具有重要应用价值。随着医学影像采集设备和临床信息化系统的发展，影像数据的数量和类型不断增加，影像中所包含的组织结构、病灶边界、局部纹理及疾病程度相关信息也更加复杂。对于骨质疏松、糖尿病视网膜病变、肿瘤病灶及退行性病变等场景，临床分析通常不仅需要识别病灶或目标区域的位置，还需要进一步判断疾病严重程度，因此对医学影像处理方法提出了更高的综合分析要求。

2、现有医学影像智能分析方法多围绕单一任务构建，例如仅进行病灶区域分割，或仅进行疾病等级判断。单独执行分割任务时，模型主要关注像素级边界和局部区域形态，难以充分利用疾病程度相关的全局结构变化；单独执行分级任务时，模型通常基于整幅影像提取分类特征，容易受到背景区域、无关组织纹理及成像差异的影响，导致分级依据缺少明确的空间定位支撑。部分多任务模型虽然能够同时输出分割结果和分级结果，但通常只是将同一编码特征分别送入不同分支，任务之间缺少有效的信息区分和空间约束，容易造成特征混杂和任务间干扰。

3、此外，医学影像中的异常区域常存在面积较小、边界模糊、灰度对比不强等情况，常规特征提取和解码过程在多次下采样后容易弱化小病灶响应，进而影响后续区域定位和等级判断的一致性。

4、鉴于此，本发明提出一种基于特征解耦的医学影像分割与分级联合建模方法。

技术实现思路

1、本发明的目的是提供一种基于特征解耦的医学影像分割与分级联合建模方法，用于解决现有医学影像多任务分析中分割任务与分级任务特征混杂、任务间约束不足、小病灶响应容易被弱化以及疾病分级依据缺少病灶空间定位支撑的问题。

2、本发明提供一种基于特征解耦的医学影像分割与分级联合建模方法，包括以下步骤：

3、获取带有病灶区域标注和疾病等级标签的医学影像样本并进行预处理，构建训练样本集；

4、将预处理后的医学影像样本输入医学影像编码网络，提取多尺度编码特征，并经轴向注意力机制和残差变标度注意机制生成增强编码特征；

5、将增强编码特征输入特征解耦模块，生成共享特征、分割特征和分级特征；将分割特征输入小目标增强器，得到经小目标增强器增强后的分割特征映射，并通过级联解码器生成分割预测结果；

6、根据分割预测结果生成病灶空间注意力图，利用病灶空间注意力图对分级特征进行加权池化，得到病灶约束分类特征向量，并输出疾病分级预测结果；

7、根据疾病分级预测结果生成等级响应区域，利用等级响应区域对分割预测结果进行区域校正，得到校正后的分割预测结果；基于校正后的分割预测结果、疾病分级预测结果、病灶区域标注和疾病等级标签构建联合损失函数，训练得到联合建模模型。

8、作为本发明一种优选技术方案，所述训练样本集的构建包括：

9、依据同一受试对象或同一检查编号，将医学影像样本、病灶区域标注和疾病等级标签进行对应绑定，形成样本单元；

10、根据病灶区域标注在医学影像样本中的空间占比，确定样本单元的小病灶标识；

11、根据疾病等级标签与病灶区域标注之间的对应关系，确定样本单元的分割—分级一致性标识；

12、将医学影像样本、病灶区域标注、疾病等级标签、小病灶标识和分割—分级一致性标识共同作为训练样本集的样本信息。

13、作为本发明一种优选技术方案，所述增强编码特征的生成包括：

14、将预处理后的医学影像样本输入预训练的efficientnet-b3编码器，经卷积层和下采样层处理后得到多尺度特征映射；

15、在编码器高层特征中，将二维空间注意力拆分为沿水平方向和垂直方向的一维注意力，并分别建立横向空间依赖关系和纵向空间依赖关系，得到轴向注意力输出特征；

16、将轴向注意力输出特征分别输入多个具有不同扩张率的卷积分支，得到多个尺度响应特征；根据多个尺度响应特征生成对应的注意力加权系数，并对多个尺度响应特征进行加权融合；

17、将加权融合后的多尺度响应特征与轴向注意力输出特征进行残差连接，得到增强编码特征。

18、作为本发明一种优选技术方案，所述共享特征、分割特征和分级特征的生成包括：

19、通过共享卷积层或投影映射函数将增强编码特征映射至共享子空间，得到共享特征在共享，特征之外学习分割任务表示，得到分割专属特征，并将共享特征与分割专属特征进行拼接，得到分割特征；

20、在共享特征之外学习分级任务表示，得到分级专属特征，并将共享特征与分级专属特征进行拼接，得到分级特征；其中，所述分割特征输入小目标增强器和级联解码器，所述分级特征输入注意力引导分类器。

21、作为本发明一种优选技术方案，所述小目标增强器对分割特征进行增强包括：

22、根据分割特征中各空间位置的响应强度提取局部高响应区域；根据局部高响应区域与邻域背景区域之间的响应差异，确定低对比度候选区域；

23、根据低对比度候选区域的面积占比和边界连续性，筛选小病灶候选区域；对小病灶候选区域内的分割特征进行加权增强，并对小病灶候选区域外的背景响应进行抑制，得到经小目标增强器增强后的分割特征映射。

24、作为本发明一种优选技术方案，所述级联解码器生成分割预测结果包括：

25、将经小目标增强器增强后的分割特征映射输入第一级解码层，得到第一解码特征；将第一解码特征与医学影像编码网络中对应尺度的浅层边界特征进行融合，得到边界补偿解码特征；

26、将边界补偿解码特征逐级输入后续解码层，并在每一级解码层中融合对应尺度的局部纹理特征；根据最后一级解码层输出的解码特征生成分割预测结果，所述分割预测结果为roi区域或病灶区域的掩膜图。

27、作为本发明一种优选技术方案，利用病灶空间注意力图对分级特征进行加权池化包括：

28、对分割预测结果进行概率化处理，得到病灶概率图；将病灶概率图调整至与分级特征相同的空间尺寸，得到病灶空间注意力图；

29、根据病灶空间注意力图中各空间位置的权重，对分级特征中对应空间位置的特征向量进行加权，得到病灶约束分级特征；对病灶约束分级特征进行归一化池化，得到病灶约束分类特征向量；

30、将病灶约束分类特征向量输入多层感知机分类器，输出疾病分级预测结果。

31、作为本发明一种优选技术方案，所述等级响应区域的生成包括：

32、获取疾病分级预测结果对应的类别响应权重，根据类别响应权重对病灶约束分级特征进行空间响应映射，得到等级响应图；

33、将等级响应图调整至与分割预测结果相同的空间尺寸，根据等级响应图中的响应值分布，确定与疾病等级相关的等级响应区域，将等级响应区域与分割预测结果进行空间对应处理，得到分级约束病灶区域。

34、作为本发明一种优选技术方案，所述区域校正包括：

35、将分级约束病灶区域转换为与经小目标增强器增强后的分割特征映射空间尺寸一致的区域权重图；

36、根据区域权重图对经小目标增强器增强后的分割特征映射中对应空间位置的特征响应进行重标定，得到分级约束增强特征；

37、将分级约束增强特征输入级联解码器，由级联解码器对分级约束增强特征进行逐级上采样和浅层特征融合，生成校正后的分割预测结果。

38、作为本发明一种优选技术方案，所述联合损失函数包括分割损失和分级损失；

39、所述分割损失由二值交叉熵损失和dice损失组成，用于约束分割预测结果与病灶区域标注之间的像素级差异和区域重叠差异；

40、所述分级损失采用交叉熵损失，用于约束疾病分级预测结果与疾病等级标签之间的类别分布差异；

41、按照预设权重对分割损失和分级损失进行加权求和，得到联合损失函数；基于所述联合损失函数，对医学影像编码网络、特征解耦模块、小目标增强器、级联解码器和多层感知机分类器进行联合训练。

42、在上述技术方案中，本发明提供的技术效果和优点：

43、本发明通过在医学影像编码阶段引入多尺度特征提取、轴向注意力机制和残差变标度注意机制，使编码特征同时包含全局结构依赖、局部纹理变化和不同尺度病灶响应信息，能够缓解常规编码过程中小面积病灶、边界模糊区域和低对比度区域响应被弱化的问题，为后续区域分割和疾病分级提供更完整的影像表征基础。

44、本发明通过特征解耦模块将增强编码特征划分为共享特征、分割特征和分级特征，使分割任务所需的病灶边界、局部形态信息与分级任务所需的疾病程度、空间分布信息在不同任务特征中分别表达，同时保留二者共同依赖的基础影像信息，能够减少分割任务与分级任务直接共用同一特征时产生的特征混杂和任务干扰。

45、本发明通过小目标增强器和级联解码器生成分割预测结果，并利用该分割预测结果形成病灶空间注意力图，对分级特征进行加权池化，使疾病分级过程围绕roi区域或病灶区域提取分类特征；同时结合等级响应区域对分割预测结果进行区域校正，使病灶定位结果与疾病等级判断之间形成空间关联，从而提高联合建模结果在病灶区域定位和疾病程度分析中的一致性。