[发明专利]基于深度神经网络的医学图像分割系统及方法、终端

权利要求书

1.一种基于深度学习网络的医学图像分割系统，其特征在于，包括：

特征提取模块：所述特征提取模块采用第一卷积神经网络，对输入的医学图像进行特征的逐层抽取，得到对于输入医学图像的抽象特征；

前景信息特征上采样模块：所述前景信息特征上采样模块利用第二卷积神经网络，对特征提取模块中提取得到的特征完成特征的上采样，生成包含关于前景和背景的图像分割结果的特征；

反馈机制模块：所述反馈机制模块将前景信息特征上采样模块在完成上采样的过程中逐层生成的特征传递至特征提取模块中，以丰富所述特征提取模块中的特征；

门控机制模块：所述门控机制模块利用多种门控机制，对反馈机制模块传递过程中的特征进行选择和筛选，实现冗余特征的过滤；

语义信息特征上采样模块：所述语义信息特征上采样模块利用第三卷积神经网络，对经过反馈机制模块丰富的特征提取模块中的特征进行上采样，生成最终的医学图像分割结果。

2.根据权利要求1所述的一种基于深度神经网络的医学图像分割系统，其特征在于，所述特征提取模块中采用的第一卷积神经网络，包括：2层卷积层和4个残差模块，其中：每一个所述卷积层均包含数据压缩操作层以及批归一化层；卷积核大小为3×3；输出为代表输入医学图像的抽象特征。

3.根据权利要求1所述的一种基于深度神经网络的医学图像分割系统，其特征在于，所述前景信息特征上采样模块中利用的第二卷积神经网络，包括：4个残差模块以及2个卷积层，其中：每一个所述卷积层均包含数据压缩操作层和批归一化层；每一个所述残差模块中均设置有转置卷积层用以实现特征的上采样；卷积核大小为3×3；转置卷积核大小为2×2；输出的包含关于前景和背景的图像分割结果的特征为包括医学图像前景分割结果的特征。

4.根据权利要求1所述的一种基于深度神经网络的医学图像分割系统，其特征在于，所述语义信息特征上采样模块中利用的第三卷积神经网络，包括：4个残差模块以及2个卷积层，其中：每一个所述卷积层均包含数据压缩操作层和批归一化层；每一个所述残差模块中均设置有转置卷积层用以实现特征的上采样；卷积核大小为3×3；转置卷积核大小为2×2；输出为医学图像的语义分割结果。

5.根据权利要求1所述的一种基于深度神经网络的医学图像分割系统，其特征在于，所述门控机制模块，通过通道注意力和空间注意力两种门控机制的组合，实现对特征通道维度和空间维度的筛选，包括：

-通道注意力模块：对于通道数为C，宽和高分别为H和W的特征，所述通道注意力模块为特征的每一个通道提供一个权重，即长度为C的向量，用来表示对每个通道的关注程度，权重越高，则表明通道注意力模块对该通道的关注程度越高；所述权值的计算方法包括：

对于通道数为C，宽和高分别为H和W的特征，首先通过全局池化操作对特征进行处理，得到长度为C的向量；

通过两个1×1的卷积层，将长度为C的向量的维度首先压缩至C/K，其中K表示维度压缩比例，进而再将维度扩张为C；

通过Sigmoid激活函数，将长度为C的向量中各元素值映射到0和1之间，得到每个通道的注意力权重；

-空间注意力模块：对于通道数为C，宽和高分别为H和W的特征，在空间维度上为各个像素点生成一个权重，即宽为H、高为W的掩码，用来表示空间注意力模块对每个像素点的重视程度；所述权重的计算方法包括：

对于通道数为C，宽和高分别为H和W的特征，首先对特征沿着通道维度进行平均池化操作，得到高和宽分别为H和W的特征；

进而对此特征通过一层卷积运算以及Sigmoid非线性激活函数，将特征上的每一个值映射到0和1之间，得到高和宽分别为H和W的掩码，该值越大，表明关注程度越高。

6.根据权利要求1所述的一种基于深度神经网络的医学图像分割系统，其特征在于，所述反馈机制模块在前景信息特征上采样模块和特征提取模块之间添加反馈连接，在生成关于前景和背景的图像分割结果的同时，将包含前景信息的特征传递至特征提取模块中以丰富能够利用的特征；所述门控机制模块设置于反馈连接中。