[发明专利]一种基于深度学习的医学图像分割方法

权利要求书

1.一种基于深度学习的医学图像分割方法，其特征在于实现医学图像分割的具体过程为：

(1)获取医学图像，数量要求15张以上，每一张医学图像均配有一张分割掩码，用作模型训练时使用的标签图像，并对原始的医学图像和标签图像进行预处理，调整分辨率使其图像的宽为256，高为192；

(2)构建多尺度语义卷积模块MS Block，多尺度语义卷积模块MS Block包含四个分支，第一个分支为3x3的卷积，第二个分支为连续两个3x3的卷积，用以替代一个5x5的卷积，以达到相同的感受野，第三个分支有3个3x3的卷积，与7x7的卷积核的感受野相同，第一、二、三个分支均有一个附带1x1卷积的残差边，用于弥补池化过程中丢失的部分语义信息；第四个分支为一个1x1大小的卷积；

(3)多尺度语义卷积模块MS Block的第一分支、第二分支、第三分支、第四分支将输入图像进行处理得到相应的特征图，假设输入图像的通道数是W，则第一个分支的卷积核个数为第二个分支的卷积核个数为第三个分支的卷积核个数为将第一、二、三个分支的特征图在通道的方向直接合并在一起拼接起来得到的通道数为W的新特征图，然后将新特征图与第四个分支的特征图的对应像素点做逐点加法运算，得到多尺度语义卷积模块MSBlock的输出图D；

(4)建立由残差瓶颈模块和注意力机制模块组成的RB Attention结构，将步骤(3)得到的输出图D进行以下两步操作：一是依次传递到下一个卷积模块中，其中在编码器阶段，经过池化操作后再输入到下一个卷积模块中，在解码器阶段时，经过上采样操作后再输入到下一个卷积模块中；二是从编码器直接输入到RB Attention结构中的残差瓶颈模块Residual Bottleneck Block，残差瓶颈模块先用1x1的卷积将输出图D进行升维扩张t倍，再用3x3的卷积核进行普通的卷积操作实现语义特征的提取，然后用1x1的卷积降维调整通道数与输出图D相同，最后与步骤(3)得到的输出图D进行对应像素点上的逐点加法运算，实现残差连接，最后得到输出特征图M，其中t根据网络层数确定；

(5)将输出特征图M与相应的解码器端下一层的上采样结果一起输入到RB Attention结构中的注意力机制模块中，注意力机制模块输出二维的注意力系数矩阵θ，矩阵的大小跟特征图M的分辨率一致，其中在目标区域内的值趋近1，不相关的区域趋近0，最后将输出特征图M中每一个通道上的像素点都与注意力系数矩阵θ对应位置处的系数相乘在一起，得到输出结果图，完成医学图像的分割。

2.根据权利要求1所述基于深度学习的医学图像分割方法，其特征在于所述步骤(2)中，若输入图像输入到第一个卷积模块MS Block1，则输入图像为经过预处理后的原始医学图像，在其余的卷积模块中，输入图像为经过上一个卷积模块输出的卷积结果。