[发明专利]基于位置意识U型网络的医学图像小目标检测方法及装置

说明书

本发明公开了一种基于位置意识U型网络的医学图像小目标检测方法及装置，其中的方法首先利用嵌入软阈值的残差块对输入特征进行去噪，使得网络模型更具有泛化能力；接着，再将去噪后的特征输入到邻域差分对比模块，进一步突出小目标所在位置，从而使得小目标和背景进一步分离；最后，将邻域差分对比模块的输出结果输入到双分支注意力模块，使得该网络关注到小目标的位置信息，进行最后的检测，具有提高检测率，降低虚警率，提高检测效率的有益技术效果。

技术领域

本发明涉及医学小目标检测技术领域，尤其涉及一种基于位置意识U型网络的医学图像小目标检测方法及装置。

背景技术

在许多军用和民用领域中，如预警、海上监控夜间导航等，红外搜索和跟踪系统是一项重要的技术。而由于红外成像可以远距离捕获目标，且抗干扰能力强，因此成为红外搜索与跟踪（IRST）系统中的关键技术之一。然而由于红外探测系统成像距离长，目标通常缺乏纹理特性或固定形状。此外，目标具有低信噪比（SCR），因为它总是在复杂的噪声和强杂波的场景中。因此红外小目标检测是一项重要且具有挑战性的问题。

在早期，为了检测红外小目标，大量的传统方法被学者提出。例如基于滤波的方法、基于局部对比度的方法，以及基于低秩的方法。传统的模型驱动方法将红外小目标建模为从附近像素高度相关的缓慢过渡背景中弹出的异常值。因此，检测红外小目标是一种斑点检测的形式，这是图像处理文献中历史悠久的问题。然而，在现实世界的场景中，问题更复杂：有更多的干扰因素，它们在背景中也作为异常值出现。因此，模型驱动的方法必须对小目标（例如最稀疏的目标或最显著的目标）、背景（例如平滑的目标或非局部相关的目标）或两者都做出强有力的先验假设。该问题的传统图像处理公式通常仅利用灰度值作为空间域中的特征，缺乏真实目标和干扰物之间的语义区分性；由此产生的方法通常只能处理局部对比度高的非常显著的目标，而不能处理隐藏在复杂背景中的暗淡目标。此外，利用此类小目标先验的算法对与图像内容相关的超参数非常敏感，例如，朱虎等人发表的《基于Top-Hat正则化的低秩张量补全的医学图像小目标检测》，IEEE 地球科学和遥感学报 vol.58,no. 2, pp.1004-10016, 2020(《Infrared Small Target Detection via Low-RankTensor Completion With Top-Hat Regularization》IEEE Transactions on Geoscienceand Remote Sensing, vol. 58, no. 2, pp. 1004–1016, 2020)中的稀疏控制超参数λ和白相志等人发表的《基于微分熵的红外小目标检测对比度测量》，IEEE 地质科学和遥感学报 vol. 56, no. 4, pp. 2452–2466, Jan 2018(《Derivative Entropy-Based ContrastMeasure for Infrared Small-Target Detection》IEEE Transactions on Geoscienceand Remote Sensing, vol. 56, no. 4, pp. 2452–2466, Jan 2018)中的预设目标大小，这在背景快速变化的高度可变场景中很容易失败。这些传统方法严重依赖于人工标记的目标特征。当检测场景的特征（例如目标大小、目标形状、信噪比以及复杂的背景）明显变化时，这些方法很难用人工标记的特征来处理这些变化。