一种基于感受野解耦与通道自适应聚合的医学图像分割方法及系统

本发明涉及医学图像分割，具体为一种基于感受野解耦与通道自适应聚合的医学图像分割方法及系统。

背景技术：

1、在三维医学影像临床应用中，精准的器官与病灶分割是疾病定量分析、手术规划、放疗方案制定的核心基础。当前，以3du-net、nnu-net为代表的对称编码器-解码器三维卷积网络已成为医学图像分割的主流基准框架，该类架构通过编码器多级下采样逐层提取多尺度语义特征，解码器结合跳跃连接逐步恢复空间分辨率，在腹部、脑部、肺部等多部位影像分割任务中表现出较好的泛化能力与鲁棒性。同时，业内也逐步将注意力机制、分组卷积等思想引入分割网络，尝试强化网络的特征筛选与多尺度建模能力，进一步提升分割效果。

2、然而，现有三维医学图像分割方案在实际临床应用中仍存在多方面技术缺陷：

3、其一，多尺度脏器感受野匹配度不足。腹部ct影像中肝脏、脾脏等大体积脏器与胰管、微小血管等细微解剖结构空间尺度差异显著，传统网络普遍采用单一规格的卷积核进行特征提取，固定感受野无法同时兼顾大目标的全局语义与小目标的局部纹理，易造成微小结构漏分割、器官边界拟合模糊等问题，难以满足临床精细分割的需求。

4、其二，特征融合自适应能力薄弱。现有多尺度特征聚合方案多采用固定权重的通道拼接或逐元素相加策略，无法根据输入影像中不同脏器的特征响应动态调整各尺度特征的融合占比，易出现大目标特征信号过强而抑制微小目标特征的权重极化现象，导致模型对复杂解剖结构的适配性不足，分割精度提升受限。

5、其三，计算开销与分割精度难以平衡。现有精度优化方案通常在网络全层级嵌入额外的特征处理模块，下采样降维阶段也执行完整的精细化运算，造成模型参数量与浮点运算量大幅攀升，推理速度显著下降，无法适配临床大批量影像快速处理、实时勾画的效率需求。

6、其四，跨样本影像异质性鲁棒性较差。不同患者个体、不同扫描设备采集的ct影像存在灰度值分布、对比度的显著差异，现有网络的归一化策略多以批次维度为基准进行统计校准，难以有效抹平个体影像的灰度分布差异，易导致模型在异质数据上出现分割精度退化，泛化能力无法满足复杂临床场景的应用要求。

7、基于此，本发明提供了一种基于感受野解耦与通道自适应聚合的医学图像分割方法及系统，以解决上述所提出的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于感受野解耦与通道自适应聚合的医学图像分割方法及系统，解决上述背景技术提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、本发明提出一种基于感受野解耦与通道自适应聚合的医学图像分割方法，包括以下步骤：

4、s1：构建u型编码器-解码器三维卷积神经网络作为基础分割框架，通过编码器对输入3dct体素图像进行多尺度下采样特征提取，通过解码器上采样恢复特征图至原始空间分辨率；

5、s2：基于s1构建的基础分割框架，设置条件解耦参数化聚合块即cdrpa块的启用判定条件，仅当网络当前层级的特征通道数达到预设通道阈值且该层级三维卷积全维度步长均为1时，启用cdrpa块的完整特征精炼流水线；当下采样层级任一维度步长大于1时，绕过cdrpa块的全部内部处理；

6、s3：基于s2的启用判定条件，在满足启用条件的编码器深层与解码器深层特征处理路径中级联cdrpa块，所述cdrpa块采用前端解耦提取段、中段聚合段、后端校正段三段式串行处理架构；

7、s4：基于s3的cdrpa块，通过前端解耦提取段将输入特征图按预设通道比例拆分为两个分支，分别采用三维分组卷积和逐点卷积并行提取空间细节特征与通道语义特征，输出两路未经过批归一化的原始特征；

8、s5：基于s4输出的两路原始特征，通过中段聚合段执行带可学习参数的批归一化处理以对齐特征分布，基于全局平均池化生成全局特征描述符并通过归一化指数函数自适应计算融合权重，将双分支特征加权聚合为单一多尺度特征流；

9、s6：基于s5得到的单一多尺度特征流，通过后端校正段依次执行随机失活正则化、实例标准化灰度校正和relu非线性激活，输出校正后精炼特征；

10、s7：基于s6得到的校正后精炼特征，通过跳跃连接传递至对应解码器层级与解码器上采样特征进行融合，迭代优化网络参数至模型收敛，输出三维医学图像的分割掩膜。

11、优选地，所述步骤s1的实施流程为：

12、s1.1：搭建适配三维体素影像的对称u型编码器-解码器卷积神经网络框架；

13、s1.2：在编码器中设置多个级联的下采样特征处理层级，每个层级依次由三维卷积层、批归一化层和relu激活层构成，下采样层级采用步长为2的三维卷积，逐层将特征图空间分辨率压缩为上一层级的一半；

14、s1.3：在解码器中设置与编码器对称的多个上采样层级，采用三维转置卷积逐层恢复特征图空间分辨率，每个上采样层级前将对应编码器层级的输出特征通过跳跃连接进行通道维度拼接；

15、s1.4：在解码器末端设置1×1×1三维卷积映射层，将多通道融合特征映射为与输入体素空间尺寸一致的分割概率图，经softmax激活函数归一化后输出各像素点的器官类别预测结果。

16、优选地，所述步骤s4的实施流程为：

17、s4.1：将输入特征图按预设通道比例拆分为第一子集x1和第二子集x2；

18、s4.2：将第一子集x1沿通道维度均分为两个子组，分别采用卷积核尺寸为3×3×3的三维分组卷积提取局部特征，两组卷积输出沿通道维度拼接得到局部聚合特征z1；

19、s4.3：将第一子集x1输入卷积核尺寸为1×1×1的三维卷积层进行通道线性映射，提取跨通道交互特征z2；

20、s4.4：将局部聚合特征z1与跨通道交互特征z2逐元素相加，得到第一原始特征u1；

21、s4.5：将第二子集x2输入卷积核尺寸为1×1×1的三维卷积层进行通道线性映射，得到第二原始特征u2；

22、s4.6：两路原始特征u1、u2均不经过批归一化处理，直接输出至中段聚合段。

23、优选地，所述步骤s5的实施流程为：

24、s5.1：将第一原始特征u1和第二原始特征u2分别输入各自对应的可学习参数批归一化层，进行分布校准对齐，生成第一校准特征y1和第二校准特征y2；

25、s5.2：分别对第一校准特征y1和第二校准特征y2执行全局平均池化，生成第一全局描述符μ1和第二全局描述符μ2；

26、s5.3：基于第一全局描述符μ1和第二全局描述符μ2，通过归一化指数函数计算自适应融合权重α和β，满足α+β=1；

27、s5.4：根据融合权重α和β对第一校准特征y1和第二校准特征y2进行加权求和，生成单一均衡融合特征流zout。

28、优选地，所述步骤s6的实施流程为：

29、s6.1：将均衡融合特征流zout输入随机失活层，以预设概率随机置零部分神经元输出，生成失活后特征dout；

30、s6.2：将失活后特征dout输入实例标准化层，对每个样本的每个通道独立进行均值与方差归一化，生成灰度校正后特征iout；

31、s6.3：将灰度校正后特征iout输入relu激活函数进行非线性映射，生成校正后精炼特征rout；

32、s6.4：将校正后精炼特征rout接入跳跃连接链路，传输至对应解码器层级。

33、优选地，所述步骤s2中，预设通道阈值为不小于64的偶数；当下采样层级的三维卷积任一空间维度步长大于1时，当前层级仅执行标准三维卷积下采样操作，不启动cdrpa块内部三段式处理流水线。

34、优选地，所述步骤s7的实施流程为：

35、s7.1：将各层级cdrpa块输出的校正后精炼特征通过跳跃连接输送至解码器对应阶段层，与解码器上采样输出的特征进行通道维度融合；

36、s7.2：解码器输出最终分割预测结果，结合分割损失函数计算总损失值；

37、s7.3：以总损失值为优化目标执行反向传播，迭代更新网络全部参数至模型收敛，输出腹部多器官及微小解剖结构的三维分割掩膜。

38、本发明还提出一种基于感受野解耦与通道自适应聚合的医学图像分割系统，应用于所述的分割方法，所述系统嵌入于u型编码器-解码器三维卷积神经网络基础分割框架中，包括条件解耦参数化聚合块，即cdrpa块；

39、所述cdrpa块内部集成三段式串行处理流水线，依次为：

40、前端解耦提取单元，用于将输入特征图按预设通道比例拆分为两个分支，分别采用三维分组卷积和逐点卷积并行提取空间细节特征与通道语义特征，输出两路未批归一化的原始特征；

41、中段聚合单元，用于接收所述两路原始特征，分别通过可学习参数的批归一化层进行分布校准，经全局平均池化生成双通道描述符，通过归一化指数函数自适应计算融合权重，将双分支特征加权求和收敛为单一均衡特征流；

42、后端校正单元，用于对所述单一均衡特征流依次执行随机失活正则化、实例标准化灰度校正和relu非线性激活，输出校正后精炼特征至解码器跳跃连接链路；

43、所述cdrpa块依据双重判定条件选择性启用内部完整流水线：仅当网络当前层级的特征通道数达到预设通道阈值、且该层级的三维卷积步长全部为1时，启用所述三段式串行处理流水线；当下采样层级的任一维度步长大于1时，当前层级绕过所述cdrpa块的全部内部处理。

44、与现有技术相比，本发明的有益效果是：

45、本发明针对三维ct影像中大型脏器与细小血管尺度差异大、单一卷积感受野无法兼顾的痛点，本发明通过cdrpa块前端双通道解耦并行提取，同步捕获局部纹理与全局语义，实现大小目标特征分离提取，有效改善微小胰管、血管漏分割、误分割现象；依托cdrpa块中段内置可学习批归一化分布对齐机制，基于输入特征实时生成融合权重，摒弃传统固定权重注意力结构，针对不同脏器影像自动调整多尺度特征占比，通道特征区分度显著提升；本发明设计cdrpa块双重启用判定逻辑，下采样层级自动跳过块内完整流水线，仅在特征精炼层启用精细化特征处理，分离下采样与特征精炼运算，大幅降低网络整体计算开销，适配临床实时勾画场景；cdrpa块后置校正序列集成正则、均衡、激活三重操作，既通过dropout抑制三维体素训练过拟合，又依靠实例标准化抹平不同患者ct亮度、对比度差异，降低个体影像带来的分割偏差；cdrpa一体化块不受编码器层级限制，可嵌入u型网络全部非下采样特征层，相比仅作用于编码支路的优化方案，完整保留解码器多尺度恢复过程中的细粒度特征，整体分割轮廓、边缘还原效果更优。