基于神经网络的医学图像分割方法及系统与流程

技术特征：
1.一种基于神经网络的医学图像分割系统，其包括从医学图像中提取特征的特征提取模块和用于根据特征提取模块所提取的特征对医学图像进行分割的分类器，所述特征提取模块包括基于卷积神经网络构建的编码器和解码器以及连接在该编码器和解码器之间的变换器，其中：所述编码器用于从输入的医学图像中提取不同维度的特征；所述变换器用于基于经由编码器提取的特征中的至少一部分生成能反映医学图像不同区域以及不同像素之间关系的全局上下文信息的特征；所述解码器用于将来自变换器的特征转换成适用于所述分类器的特征格式。2.根据权利要求1所述的系统，其中所述变换器包括序列化模块、一个或多个自注意力模块、一个或多个跨注意力模块和反序列化模块；其中：所述序列化模块用于将来自所述编码器的特征转换成特征维度相同的一系列特征序列；所述自注意力模块用于生成反映所述特征序列之间的关系的特征序列；所述跨注意力模块用于基于医学图像类别之间的关系构成的向量对从自注意力模块输出的特征序列进行修正；所述反序列化模块用于将来自跨注意力模块的特征序列转换成适用于卷积神经网络的特征格式。3.根据权利要求2所述的系统，其中所述自注意力模块包含多头注意力层和前馈层，其中来自序列化模块的序列经由不同参数矩阵映射成由查询向量、键向量、值向量构成的输入对，其中多头注意层由多个独立的注意层组成；每个注意层通过将查询向量与键向量做点积操作来计算特征序列中两两特征之间的分数，该分数代表着两个特征之间的关联性；该分数被归一化到0-1之间，并与值向量进行加权；各个注意层的输出被拼接起来，并且经由一个线性层聚合后输出。4.根据权利要求2所述的系统，其中所述跨注意力模块包括两个多头注意力层和前馈层，其中一个多头注意力层的输入为基于反映医学图像类别中每个类别的特征序列映射成的由查询向量、键向量、值向量构成的输入对，其输出作为另一个多头注意力层的查询向量输入，该另一个多头注意力层的键向量与值向量来自所述自注意力模块的输出，该另一个多头注意力层的输出经相加和归一化操作以及前馈层而输出至反序列化模块。5.根据前述任一权利要求所述的系统，其中所述卷积神经网络采用vgg网络模型。6.一种采用如前述任一权利要求所述的系统进行医学图像分割的方法，包括：步骤s1，经由作为编码器的卷积神经网络从输入的医学图像中提取不同维度的特征；步骤s2)经由变换器基于所提取的不同维度的特征中的至少一部分来捕获长距离的全局上下文信息；步骤s3)经由作为解码器的卷积神经网络将来自变换器的输出转换为适用于分类器进行图像分割的特征；步骤s4)经由分类器基于来自解码器的特征对所述医学图像进行分割并输出相应的分割结果。7.根据权利要求6所述的方法，所述步骤s2)包括：经由序列化模块将来自所述编码器的特征转换成特征维度相同的一系列特征序列；
经由所述自注意力模块生成反映所述特征序列之间的关系的特征序列；经由跨注意力模块基于医学图像类别之间的关系构成的向量对从自注意力模块输出的特征序列进行修正；经由反序列化模块用于将来自跨注意力模块的特征序列转换成适用于卷积神经网络的特征格式。8.根据权利要求7所述的方法，其中经由所述自注意力模块生成反映所述特征序列之间的关系的特征序列包括：将来自序列化模块的特征序列经由不同参数矩阵映射成由查询向量、键向量、值向量构成的输入对，通过将查询向量与键向量做点积操作来计算特征序列中两两特征之间的分数，将该分数归一化到0-1之间，并与值向量进行加权后，将其与输入的特征序列进行相加；将基于各特征序列得到的计算结果聚合后输出。9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，所述程序被执行时实现权利要求6-8中任一项所述的方法。

技术总结
本发明的实施例提供了一种基于神经网络的医学图像分割系统，其包括从医学图像中提取特征的特征提取模块和用于根据特征提取模块所提取的特征对医学图像进行分割的分类器，其中所述特征提取模块包括基于卷积神经网络构建的编码器和解码器以及连接在该编码器和解码器之间的变换器。该方案经由变换器自动学习和聚焦图像中任意位置的重要区域并抑制无关的干扰信息，并能够有效地交换图像中不同区域、不同子像素的特征表示之间的信息，准确地刻画像素之间的依赖和关系，从而精确地且显式地捕捉和建模长距离全局上下文信息，因此改善了医疗图像的分割效率和分割准确率。了医疗图像的分割效率和分割准确率。了医疗图像的分割效率和分割准确率。


技术研发人员：罗平 纪源丰 张瑞茂 李镇
受保护的技术使用者：深圳市大数据研究院
技术研发日：2021.06.08
技术公布日：2022/12/8