[发明专利]一种基于AS-UNet的医学图像分割方法及系统

说明书

本发明公开一种基于AS‑UNet的医学图像分割方法及系统。本发明提出边缘注意网络框架，强化边缘，减少缺失值。通过掩膜边缘提取算法得到掩膜边缘图像，连接到UNet扩张路径的最后三层上，以强化边缘信息；并在BAB中引入新的注意力模块，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，提升网络对目标区域的分割能力。本发明提出使用区域和边界组合损失函数，在提高分割精度的同时，实现测试时减少参数。通过组合损失函数的作用在训练时经过前后向反馈不断更新AS‑UNet中的网络参数，使得训练好的模型在测试时可以舍弃添加的BAB部分的参数，降低预测的时间代价。

技术领域

本发明属于人工智能图像分割领域，主要涉及一种基于AS-UNet的医学图像分割方法及系统。

背景技术

近年来，深度学习技术已广泛应用于医学图像领域，其中如何自动识别和分割医学图像中的病灶是最受关注的问题之一。由于人体器官多样、病灶形状复杂、图像噪声干扰等诸多原因，器官病灶等待分割物体容易出现分割边缘不清晰、缺失值大等状况。

目前已有较多学者针对医学图像分割方法展开相关研究，其中UNet是最典型也是应用最广泛的方法，它利用收缩路径获取特征信息，利用扩张路径实现精确定位，在各类数据集上均有较好的表现。其后出现了许多在UNet上进行改进的网络模型。Shankaranarayana等人将残差连接思想和UNet结合提出Res-UNet。Oktay等人提出Attention U-Net，通过集成注意力门(AGs)捕捉显著特征。Zhou等人提出UNet++，整合不同层次的特征，使用灵活的网络结构配合深监督，让参数量巨大的深度网络在可接受的精度范围内大幅度的缩减参数量。最近，针对UNet在检测小的标志物以及模糊边缘噪声时性能下降问题，Jeya等提出了KiU-Net，结合欠完备结构和过完备结构捕捉大小标志物，同时采用基于跨尺度残差块的融合策略，更有效地利用了两个网络结构的信息，实现高效检测。而DRU-Net则在ResNet与DenseNet的基础上额外增加了跳跃连接，以更少的参数实现了更高的精度。此外，针对区域边缘和区域内的不连续性，Chu等提出一种利用简单边缘检测器定位所有不连续点，并对这些区域进行额外监控的方法，有效提高了检测精度。针对目前方法不能很好地分割肿瘤和器官的重叠部分这一问题，Li等提出了一种基于位置导向的可变形UNet，利用可变形卷积的空间变形能力处理器官和肿瘤的几何变换，并引入了一个新的池化模块来保留传统最大池化操作中丢失的位置信息。为了自动完善分割网络产生的分割效果，Kitrungrotsakul等人提出了一种用于医学图像分割的交互式深度优化网络RefineNet，由分割主干UNet和优化网络两部分组成，在训练时加入自行生成的种子点，但在测试时需要用户提供种子点，较为不便，且随机误差较大。针对分割区域及边缘的不确定性与模糊性，Lee等人提出新颖的边缘关键点选择算法和结构边缘保持分割框架，使得模型能够自动提取和学习结构关键点信息，但在网络中增加了较多参数，不易于模型部署。

已有的这些方法利用卷积神经网络提取图像特征信息，通过分析图像内部的深层隐性信息划分目标区域与非目标区域，使其在生物医学图像分割任务上取得了优于传统方法的效果，但仍然存在一些问题。首先，分割精度较低。细胞和器官等形状复杂多样，且可能存在团簇重叠状态，致使错误分割的几率很大，影响医学判断，并且，大部分方法采用基于区域的Dice作为损失函数，保证了区域完整性却容易丢失边缘细节；其次，模型复杂。越来越多的网络模型基于UNet做出改进，但模型复杂、参数冗余等现象会在部署阶段形成困难，不利于实际操作。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于AS-UNet的医学图像分割方法。

本发明包括以下步骤：

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

作为优选，所述预处理是将原始医学图像转换为512*512大小的固定尺寸，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，减小输入特征的尺度。