[发明专利]一种基于MA-Unet的图像分割方法

权利要求书

1.一种基于MA-Unet的图像分割方法，其特征在于：包括下列步骤：

S100、收集数据：采集来自LUNA比赛中的肺部数据集，包含534个二维样本及各自标签图像；

S200、数据预处理：包括去噪、归一化、数据划分、和图像缩放等方式；

S300、模型构建：构建MA-Unet的肺部图像分割模型，利用不同尺度的全局信息，将多个中间层生成的特征聚合在一起进行预测，通过建立特征与注意机制之间的关联，对全局语境信息进行挖掘，同时去除噪声区域，帮助网络强调与语义类更相关的区域；

S400、模型训练：当模型的损失函数不再降低之后，保存模型。

2.根据权利要求1所述的一种基于MA-Unet的图像分割方法，其特征在于：所述S200数据预处理中，去噪方式为利用高斯低通滤波器对原始信号进行去噪处理，公式为其中δ为标准差。

3.根据权利要求2所述的一种基于MA-Unet的图像分割方法，其特征在于：所述S200数据预处理中，归一化方式为对每个像素点减去像素点中的最小值除以最大值与最小值之间的差，公式为

4.根据权利要求3所述的一种基于MA-Unet的图像分割方法，其特征在于：所述S200数据预处理中，数据划分方式为将数据集按照8：2的比例分为训练集和测试集，训练集用于模型的训练，测试集用于测试模型效果。

5.根据权利要求4所述的一种基于MA-Unet的图像分割方法，其特征在于：所述S200模型预处理中，图像缩放方式为将数据划分后得到的数据进行缩放，按其按照大小比例全部调整为512*512。

6.根据权利要求5所述的一种基于MA-Unet的图像分割方法，其特征在于：所述S300模型构建中，将注意门机制即AGs纳入Unet体系结构中，通过建立通道注意机制模型来显式模型之间的依赖关系渠道,得到任意两个通道的相关强度，通道注意模块的公式为其中Xij表示第i个通道对第j个通道的影响，A代表原始特征，C表示通道数，同时将获得的结果与尺度参数β相乘，并与a执行元素求和操作，以获得最终输出E，其公式如下：其中β逐渐从0学习权重。

7.根据权利要求6所述的一种基于MA-Unet的图像分割方法，其特征在于：所述S300模型构建中，空间注意模块的公式如下：其中Np是特征映射中的位置个数，A和Z分别表示输入和输出特征，是全局注意力集中的权值，W_v2ReLU(LN(W_v1(·))表示瓶颈变换，两个注意模块的末尾，新生成的特性按元素进行相加以生成新特性。

8.根据权利要求7所述的一种基于MA-Unet的图像分割方法，其特征在于：所述S300模型构建中，将多尺度预测融合到体系结构中，将多个中间层生成的特征进行聚合预测，从而利用不同尺度的全局信息，完成模型的训练过程，输出预测结果，并将预测值和真实值输入到损失函数中，完成模型参数的调优，在网络模型的训练过程中将二值交叉熵作为目标函数，其公式如下：其中yi表示样本i的标签，pi表示样本i预测正确的概率，N表示样本类别。

9.根据权利要求8所述的一种基于MA-Unet的图像分割方法，其特征在于：所述S400模型训练中，使用分割模型对测试集数据进行测试，与其标签结果进行对比，并利用评价指标进行评估，该测试过程通过使用两个性能评价指标用于模型的评估，一个是交集均值即Mean Intersection over Union,MIOU，另一个是平均Dice系数Mean Dice coefficient,MDC，其中MIOU公式为其中pii为预测正确的元素个数，pij为i为真值时预测的j的个数，pji为j为真值时预测的i的个数；k为待分类的类别个数，MDC公式为其中Prei代表第i幅图像的分割结果，GTi表示第i幅图像的Ground Truth，N表示样本个数。