一种基于图可逆神经网络的医学图像分割方法与流程

技术特征：
1.一种基于图可逆神经网络的医学图像分割方法，其特征是按如下步骤进行：步骤1、获取一张待分割的医学图像并进行预处理，得到预处理后的医学图像c表示医学图像的通道数，h和w分别表示医学图像的高度及宽度；步骤2、构建图卷积模块，包括：一个具有探索像素之间的空间全局关系的空间图卷积运算单元及一个具有探索跨通道的通道全局关系的通道图卷积运算单元；所述空间图卷积运算单元包含n1个、m1个、k1个、l1个卷积核为1
×
1的卷积层；所述通道图卷积运算单元包含n2个、m2个、k2个、l2个、r2个卷积核为1
×
1卷积层；步骤2.1、将所述预处理好的医学图像x输入图卷积模块中的空间图卷积运算单元，并利用式(1)得到空间全局关系x
sgco
：式(1)中，θ(
·
)表示n1个卷积层组成的学习函数；v(
·
)表示m1个卷积层组成的学习函数、δ(
·
)表示k1个卷积层组成的学习函数；w
sgco
表示l1个卷积层学习组成的权重矩阵；a
sgco
表示函数θ(x)v(x)
t
学习后组成的邻接矩阵；x
s
表示函数δ(x)的投影特征；步骤2.2、将所述预处理后的医学图像x输入图卷积模块中的通道图卷积运算单元，并利用式(2)得到跨通道的通道全局关系x
cgco
：式(2)中，表示n2个卷积层组成的学习函数；表示m2个卷积层组成的学习函数；x
c
表示函数学习后组成的投影矩阵；a
cgco
表示k2个卷积层学习的邻接矩阵，w
cgco
表示l2个卷积层学习的权重矩阵，φ(
·
)表示r2个卷积层学习的函数；步骤3、建立基于可逆神经网络的双输入可逆融合模块diifm，并输入所述空间全局关系x
sgco
以及通道全局关系x
cgco
，从而利用式(3)得到融合特征信息fusesc：式(3)中，表示x
sgco
所对应的支路输出，表示x
cgco
所对应的支路输出，concat(
·
)表示一个串联函数，κ(
·
)、ρ(
·
)和η(
·
)表示三个任意的转换函数，
⊙
表示点积操作；步骤4、构建基于pixelshuffle网络思想的采样模块中的降采样过程；步骤4.1、定义变量k，并初始化k＝0；将融合特征信息fusesc作为第k个融合特征信息fusesc
k
；步骤4.2、通过采样模块对第k个融合特征信息fusesc
k
进行降采样，得到第k个降采样的特征图像x
down,k
，所述第k个降采样的特征图像x
down,k
再经过所述图卷积模块及双输入可逆融合模块diifm中进行处理后，得到第k 1个降采样的融合特征信息fusesc
k 1
；步骤4.3、将k 1赋值给k后返回步骤4.2，直到k＞n为止，从而得到n 1个融合特征信息
记为步骤5、底层的第n个融合特征信息fusesc
n
按通道等拆分成第一融合特征信息fusesc
n0:c/2
和第二融合特征信息fusesc
nc/2:c
并送入双输入可逆融合模块diifm中进行特征提取，从而得到底层特征x
′
；所述底层特征x
′
再与底层的第n个融合特征信息fusesc
n
送入所述双输入可逆融合模块diifm进行融合，得到融合特征fusex；步骤6、构建基于pixelshuffle网络思想的采样模块中的升采样过程，并使用双输入可逆融合模块diifm中进行跨尺度的特征融合；步骤6.1、定义变量j，并初始化j＝n；将所述融合特征fusex作为第j个次跨尺度的融合特征信息fused
j
；步骤6.2、将所述第j次跨尺度的融合特征信息fused
j
通过所述采样模块进行升采样，得到第j个升采样的特征图像x
′
up,j
，所述升采样的图像特征x
′
up,j
与相同尺度下的第j-1个融合特征信息fusesc
j-1
一起送入所述双输入可逆融合模块diifm中进行跨尺度的特征融合，从而得到第j-1个跨尺度的融合特征信息fused
j-1
：步骤6.2、j-1赋值给j后，返回步骤6.2，直到j＝0为止，从而得到顶层的融合特征信息fused0；步骤7、所述顶层的融合特征信息集fused0输入分割器中，得到医学图像x的分割图p；步骤8、训练阶段：步骤8.1、利用式(4)和式(5)分别构建dice系数损失l
dice
以及交叉熵损失l
ce
，从而利用式(6)构建总的目标损失函数l：式(6)构建总的目标损失函数l：l＝λ1l
dice
λ2l
ce
ꢀꢀꢀꢀꢀꢀꢀ
(6)式(4)～式(6)中，表示医学图像x在第c通道上预测的第i个像素点的分割量，且p
i
∈p，表示医学图像x在第c通道上真实的第i个像素点的分割量，且g
i
∈y，y表示医学图像x的真实分割图；λ1和λ2分别为损失l
dice
和损失l
ce
的权重系数；n表示在一次训练中的输入图片数量；步骤8.2、利用adam优化器对所述图卷积模块、双输入可逆融合模块及采样模块构成的网络进行有监督训练，并计算总的目标损失函数l，当训练相应次数之后停止训练，从而得到最优的医学图像分割模型，用于实现医学图像的分割。

技术总结
本发明公开了一种基于图可逆神经网络的医学图像分割方法，是考虑空间及通道上的全局关系及网络的可逆性，其步骤包括：1输入待分割的图像，通过图卷积模块推断全局特征；2将空间及通道全局关系送入双输入可逆融合模块；3降采样的融合特征信息再经过图卷积模块及双输入可逆融合模块，获取不同尺度的融合特征信息；4升采样的图像特征与同尺度的融合特征信息经双输入可逆融合模块进行重复融合，得到多尺度特征信息；5将最终融合特征信息通过分割器输出待分割医学图像的分割图。本发明在多类别医学图像分割数据集上有效地获得最佳性能，为医学图像分割提供更好的方法，加深对医学数据的可解释性。据的可解释性。据的可解释性。


技术研发人员：刘爱萍 阳港 陈勋 傅雪阳 吴枫
受保护的技术使用者：中国科学技术大学
技术研发日：2021.11.01
技术公布日：2022/2/7