一种基于显著区域细化分割与双分支并行生成的MRI图像增强方法及装置与流程

本发明涉及医学图像处理、医学图像生成、深度学习和计算机辅助诊断，尤其涉及一种基于显著区域分割、并行生成与融合解码的mri增强图像生成方法及装置。

背景技术：

1、在医学影像分析任务中，增强mri图像能够更清晰地反映病灶区域的对比强化特征，有助于医生观察病灶边界、内部异质性以及与周围组织的关系。然而，在实际应用中，增强成像依赖对比剂注入，存在采集流程复杂、成本增加及潜在临床限制等问题，因此，利用非增强mri图像生成目标增强图像具有重要应用价值。

2、现有生成方法在处理医学增强图像生成时，通常难以同时兼顾两类需求：一类是病灶区域的局部高对比增强建模，另一类是整体器官结构与解剖语义的一致性保持。若仅关注局部病灶区域，容易破坏背景结构；若过度约束整体结构，又容易削弱病灶强化效果。此外，病灶边界往往模糊，单一显著性检测方法容易产生碎片化结果，导致前景区域提取不准确，从而影响后续生成质量。

3、因此，亟需提出一种既能够准确定位并细化病灶前景区域，又能够分别建模局部强化与全局结构信息，并进一步实现高效融合的mri增强图像生成方法。

技术实现思路

1、本发明的目的在于针对现有技术中病灶局部强化不足、边界不清晰以及全局结构保持能力弱的问题，提出一种基于显著区域分割、并行生成与融合解码的 mri 增强图像生成方法。

2、为实现上述目的，本发明采用如下技术方案：首先，利用u2net对非增强mri图像进行显著性检测，得到初始显著掩膜；再利用 segment anything model 对输入图像进行语义区域划分，并通过各语义区域与显著掩膜之间的交并比完成显著区域细化，从而得到边界更准确的病灶前景区域；然后，将图像分解为病灶前景区域和背景结构区域，并分别输入两个不共享参数的条件u-net并行生成器进行生成建模；之后，利用融合生成器中的双向转置多头注意力模块、门控前馈单元以及动态选择单元，对前景与背景信息进行互补交互和自适应加权融合；最后，经卷积解码器输出目标增强mri图像。

3、本发明提供了一种基于显著区域分割与并行生成的mri增强图像生成方法，包括以下步骤：

4、步骤s1、获取输入的非增强mri图像；

5、步骤s2、将所述非增强mri图像输入显著性检测模型，得到初始显著掩膜；

6、步骤s3、将所述非增强mri图像输入通用图像分割模型，得到多个语义区域；

7、步骤s4、计算各语义区域与初始显著掩膜的交并比，并依据预设阈值对显著区域进行补充与剔除，得到细化后的显著掩膜；

8、步骤s5、依据细化后的显著掩膜，将输入图像分解为病灶前景区域和背景结构区域；

9、步骤s6、将病灶前景区域输入前景并行生成器，得到前景生成结果；将背景结构区域输入背景并行生成器，得到背景生成结果；

10、步骤s7、将前景生成结果和背景生成结果输入融合生成器，利用双向转置多头注意力机制、门控前馈单元和动态选择单元进行特征交互与融合，得到融合特征；

11、步骤s8、将所述融合特征输入解码器，输出目标增强mri图像。

12、进一步的，所述显著性检测模型为u2net，初始显著掩膜满足：其中，表示非增强mri图像，表示由显著性检测模型预测得到的显著掩膜。

13、进一步的，所述通用图像分割模型为segment anything model，得到的语义区域满足：其中，表示第

i个语义区域，

m表示语义区域总数。

14、进一步的，对显著区域进行边界细化的方式为：计算各语义区域与初始显著掩膜的交并比得分，当交并比大于0.2时，将对应语义区域并入显著区域；当交并比小于0.05时，将对应语义区域从显著区域中剔除，以获得边界更一致的细化显著掩膜。

15、进一步的，所述前景并行生成器和背景并行生成器均采用条件u-net架构，且两者之间不共享参数；其中，前景并行生成器用于学习病灶区域的局部高对比增强模式，背景并行生成器用于约束器官形态和全局解剖结构信息。

16、进一步的，所述融合生成器包括双向转置多头注意力模块，所述双向转置多头注意力模块通过交换前景分支与背景分支中的键值对构造双向互补注意力，以获得前景互补交互特征和背景互补交互特征。

17、进一步的，所述融合生成器还包括门控前馈单元，所述门控前馈单元通过多分支深度卷积和gelu激活函数对所述前景互补交互特征和背景互补交互特征进行非线性增强，得到细化后的交互特征和。

18、进一步的，所述融合生成器还包括动态选择单元，所述动态选择单元先对细化后的交互特征进行全局平均池化与拼接，再经卷积映射、softmax激活和通道拆分生成权重矩阵和，分别对前景细节信息和背景细节信息进行自适应加权，最终获得融合特征。

19、本发明还通过以下技术方案实现：

20、一种基于显著区域分割、并行生成与融合解码的mri增强图像生成装置，其特征在于：包括处理器和存储器；所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使所述处理器实现如下模块的功能：

21、显著分割模块：用于利用显著性检测模型和通用图像分割模型生成初始显著区域，并对所述初始显著区域进行细化，得到细化后的显著掩膜；

22、区域分解模块：用于依据所述细化后的显著掩膜将输入的非增强mri图像分解为病灶前景区域和背景结构区域；

23、并行生成模块：用于分别对所述病灶前景区域和所述背景结构区域进行生成建模，得到对应的前景生成特征和背景生成特征；

24、融合生成模块：用于通过双向转置多头注意力机制、门控前馈单元和动态选择单元对所述前景生成特征和所述背景生成特征进行融合，得到融合特征；解码输出模块，用于根据所述融合特征生成目标增强mri图像。

25、本发明具有如下有益效果：

26、（1）实现病灶显著区域的精细提取与边界修正，提升前景定位准确性：本发明提出“显著检测与语义分割协同细化”机制，先利用显著性检测模型对非增强mri图像进行初始显著区域提取，再结合通用图像分割模型对图像进行语义区域划分，并通过交并比规则对显著区域进行补充与剔除，有效缓解传统显著检测中存在的区域碎片化、边界模糊和病灶覆盖不完整问题，显著提升病灶前景区域的结构完整性与边界一致性。

27、（2）增强病灶局部强化建模与背景结构保持能力，兼顾局部细节与全局语义一致性：本发明构建“前景-背景并行生成”机制，将输入非增强mri图像依据细化后的显著掩膜分解为病灶前景区域和背景结构区域，并分别输入两个相互独立的并行生成器进行建模，从而将病灶局部高对比强化信息与整体器官形态、解剖结构信息分离学习，有效降低局部增强与全局结构保持之间的建模冲突。

28、（3）提升前景与背景互补信息交互能力，增强融合阶段的特征表达效果：本发明通过引入融合生成模块，采用双向转置多头注意力机制、门控前馈单元和动态选择单元，对前景生成特征和背景生成特征进行跨分支交互、冲突信息抑制和细粒度自适应加权，能够更充分地完成病灶强化信息与背景结构信息的互补融合，显著提升融合特征的全局语义丰富度与局部细节表达能力。

29、（4）增强生成结果的结构稳定性与视觉一致性，提升增强mri图像生成质量：本发明将融合后的生成特征输入解码器进行重建输出，能够在保持器官轮廓、背景解剖结构和低频语义信息稳定的同时，更准确地恢复病灶区域的对比增强分布，从而提升生成增强mri图像在病灶边界、局部强化模式及整体视觉一致性方面的表现。

30、（5）具备良好的医学图像增强生成适配能力，适用于非增强到增强mri的辅助生成任务：本发明以非增强mri图像为输入，通过显著区域分割、并行生成与融合解码的整体框架，实现目标增强mri图像生成，在无需精确前景语义标注的条件下，仍可较好保持背景全局语义一致性，适用于卵巢癌等医学影像场景下的对比增强生成与辅助诊断任务，具有较好的临床应用潜力。