[发明专利]一种基于MA-Unet的图像分割方法

说明书

本发明属于图像分割技术领域，具体涉及一种基于MA‑Unet的图像分割方法，包括如下步骤：收集数据、数据预处理、模型构建、模型训练，所述收集数据采集来自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；所述数据预处理：包括去噪、归一化、数据划分、和图像缩放等方式；所述模型构建通过构建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，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；所述模型训练当模型的损失函数不再降低之后，保存模型。

技术领域

本发明属于图像分割技术领域，具体涉及一种基于MA-Unet的图像分割方法。

背景技术

医学图像的语义分割是许多疾病诊断、治疗和随访的关键步骤，在临床实践中，医学图像分割通常采用人工或半人工分割技术，这些方法的缺点是使用手工制作的特征来获得分割结果。一方面，很难为不同的应用设计具有代表性的特征。另一方面，为一种类型的图像设计的函数在另一种类型的图像中往往失败。因此，传统的人工或半人工分割技术缺乏通用的特征提取方法。由于大量医学图像的人工密集标注是一项繁琐且容易出错的任务，人们对准确可靠的自动分割方法提出了更高的要求，以提高临床场景下的工作效率，减少放射科医生等医学专家的工作量。

存在问题或缺陷的原因：尽管卷积神经网络正在推动医学图像语义分割的发展，但标准模型仍存在一些不足，在跳跃连接操作中，编码器和解码器子网络的特征映射具有较大的语义差异，远程特征依赖没有有效地建模，忽略不同尺度的全局上下文信息。

发明内容

针对上述图像分割技术模型跳跃连接操作中，编码器和解码器子网络的特征映射具有较大的语义差异等问题，本发明提供了一种基于MA-Unet的图像分割方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于MA-Unet的图像分割方法，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。

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。

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

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。

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。

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。

所述S300模型构建中，空间注意模块的公式如下：