[发明专利]一种基于残差网络和注意力机制的图像处理方法及系统

说明书

本发明提供了一种基于残差网络和注意力机制的图像处理方法及系统，方法包括：获取输入图像，输入图像包括第一图像和第二图像；根据第二图像对第一图像进行预处理，获取第一目标图像，基于第一目标图像获取第一标注图像；根据第一标注图像和第一目标图像对预设分割网络进行训练，获取第一分割网络，第一分割网络是包括具有残差网络和注意力机制的编码解码结构；通过第一分割网络对第一目标图像进行处理，获取输出图像。该方法基于深度学习技术对医学图像进行图像分割处理，恢复出高分辨率二值图像，能够得到更精确的分割结果，且计算效率更高，错误率更小，避免了人为因素干扰，为后续疾病的诊断和治疗提供精确的分割和定位依据。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种基于残差网络和注意力机制的图像处理方法及系统。

背景技术

根据世界卫生组织国际癌症研究机构(IARC)发布的全球最新癌症数据，2020年全球新增癌症人数1929万人左右，其中乳腺癌新增人数达226万人，成为“全球第一大癌症”。全球因癌症死亡的人数996万人，其中乳腺癌占6.9％。乳腺癌治疗效果较好，因此“早发现、早诊断、早治疗”尤为重要，是降低致死率的关键。其中，病灶区域的分割对于医生的诊断具有很大的辅助作用，因为病灶区域的形状特征是肿瘤诊断的重要依据。

常见的临床影像筛查手段包括钼靶、MRI和超声。其中超声成像具有检查手段方便、价格低廉、无辐射、实时性好的优点，尤其适用于40岁以下致密型乳腺的女性乳腺筛查。由于超声成像机制的限制，超声图像容易衰减，存在大量伪影和斑点噪声，大大降低图像质量，病灶区域肿瘤边界模糊。此外，不同厂商的超声设备对超声图像都进行了一系列的预处理，而且不同医生对设备的采集参数设置不同，甚至探头都没聚焦，图像质量良莠不齐，严重影响医生的后续诊断。不同设备的设置条件和图像预处理方法不同，导致图像的几何中心及对比度等差异很大，影响最终诊断结果。

传统机器学习方法利，用特征工程和利用专业医生的先验知识计算医学图像的形状、纹理等特征，对图像进行前景和背景的分割。该方法需要手动提取特征进行大量计算，步骤十分繁琐，特征工程十分依赖于人工经验。提取到的特征无法准确、全面地描述病灶区域，如果特征选取的数量不当或者不足会严重影响分割性能。

深度学习方法，利用深度学习工具，对医学超声图像进行研究，能够自动从大量数据中学习模型的方法，可以避免人为因素的干扰，而且其错误率也远远低于传统机器学习方法。但是，医学数据尤其是超声图像数据，其数据量很少，导致深度学习网络训练困难。

其中，采用U-NET结构进行图像处理能取得不错的效果。该方法所需的网络结构参数少，分割性能好。但是不适用于边界模糊的超声图像，而且对多中心多视角的医学图像数据，每次都要重新训练模型，泛化性能较差。

因此，需要一种医学超声图像分割方法，能够解决上述问题。

发明内容

基于现有技术存在的问题，本发明提供了一种基于残差网络和注意力机制的图像处理方法及系统。具体方案如下：

一种基于残差网络和注意力机制的图像处理方法，包括，

图像输入：获取输入图像，所述输入图像包括第一图像和第二图像；

预处理：根据所述第二图像对所述第一图像进行预处理，获取第一目标图像，基于所述第一目标图像获取第一标注图像；

模型训练：根据所述第一标注图像和所述第一目标图像对预设分割网络进行训练，获取第一分割网络，所述第一分割网络是包括具有残差网络和注意力机制的编码解码结构；

模型处理：通过所述第一分割网络对所述第一目标图像进行处理，获取输出图像。

在一个具体实施例中，所述预处理具体包括：

获取所述第二图像中预设区域的坐标信息；