[发明专利]一种基于AS-UNet的医学图像分割方法及系统

权利要求书

1.一种基于AS-UNet的医学图像分割方法，其特征在于包括以下步骤：

步骤(1)、获取待分割的原始医学图像，对其进行预处理，构建训练数据集；并以分割后的医学图像作为标签；

步骤(2)、对训练数据集中的标签图像通过掩膜边缘提取算法进行处理，得到掩膜边缘图像；

步骤(3)、构建边缘增强网络AS-UNet，并以上述训练数据集进行训练；

边缘增强网络AS-UNet包括UNet网络、边缘注意网络框架；其中UNet网络采用编码—解码结构，最后n个解码层的输出端各自与一个边缘注意网络框架的第一个输入端连接，边缘注意网络框架的输出端与下一个解码层连接的边缘注意网络框架的第二个输入端连接；边缘注意网络框架的第三个输入端接掩膜边缘图像；

步骤(4)、边缘增强网络AS-UNet测试时去除边缘注意网络框架，利用已经训练好的边缘增强网络AS-UNet中的UNet网络以实现医学图像的分割。

2.根据权利要求1所述的一种基于AS-UNet的医学图像分割方法，其特征在于步骤(1)所述预处理是将原始医学图像转换为固定尺寸，并进行增强对比度处理，灰度化彩色图片后将灰度像素转化为0-1之间。

3.根据权利要求1所述的一种基于AS-UNet的医学图像分割方法，其特征在于步骤(2)具体是：

对标签图像进行复制，并将图像的所有像素点值置为255，得到标签图像副本；

遍历标签图像每一个像素点(i,j)，判断该点像素值是否为0，若否则继续遍历，若是则继续判断该像素点的相邻像素点是否全部为0,若否则将标签图像副本对应位置上的像素点像素值置为0，反之为255，最终得到掩膜边缘图像。

4.根据权利要求1所述的一种基于AS-UNet的医学图像分割方法，其特征在于步骤(3)所述UNet网络具体包括编码模块和解码模块，所述训练数据集中预处理后图像输入到所述编码模块中，通过所述编码模块对预处理后图像进行特征编码，所述编码模块的输出作为所述解码模块的输入，所述解码模块对输入进行特征解码；相同尺寸的编码层通过跳跃连接与相同尺寸的解码层按通道连接。

5.根据权利要求4所述的一种基于AS-UNet的医学图像分割方法，其特征在于所述UNet网络中编码模块包括依序级联的多个编码层，相邻编码层间通过最大池化层连接，最后一个编码层的输出作为第一上采样层的输入，所述第一上采样层的输出连接所述解码模块的输入；

6.根据权利要求4所述的一种基于AS-UNet的医学图像分割方法，其特征在于所述UNet网络中解码模块包括依序级联的多个解码层，相邻解码层间通过第二上采样层连接；

7.根据权利要求1所述的一种基于AS-UNet的医学图像分割方法，其特征在于步骤(3)所述的边缘注意网络框架BAB包括依序级联的1*1卷积层、第一Concat层、第一3*3卷积层、第二Concat层、第二3*3卷积层、注意力机制层；

所述1*1卷积层经过1X1的卷积后输出特征图至第一Concat层；其输入特征维度为其中R_i代表UNet第i层的特征图，wⁱ、hⁱ、cⁱ分别代表该特征图的宽、高、通道数；

所述第一Concat层用于将1*1卷积层输出的特征图、掩膜边缘图像按通道连接(Concat)，得到连接后的特征图1；

所述第一3*3卷积层用于提取特征图1的全局信息，输出特征图2至第二Concat层；

所述第二Concat层用于将第一3*3卷积层输出的特征图2以及上一解码层经过BAB并经第三上采样层上采样后得到的特征图Supplementf_i按通道连接，输出特征图3至第二3*3卷积层；

所述第二3*3卷积层用于提取第二Concat层连接后特征图3的全局信息，输出特征图4至注意力机制层；

所述注意力机制层用于结合通道注意力和空间注意力，激活特征响应，增强图像中关键信息的获取，提升网络对非显著性目标区域的分割能力，得到BAB的最终输出