[发明专利]一种应用多注意力机制的医学图像分割方法及系统

说明书

本发明公开了一种应用多注意力机制的医学图像分割方法，包括以下步骤：S1、构建网络结构，所述网络结构包括编码器模块、解码器模块，所述编码器模块包括两个独立的编码器，在两个编码器之间设置有CMFL；S2、将两种互补模态的医学图像分别输入至两个编码器中，由CMFL获取两种模态之间的跨模态图像特征位置响应权重信息，进行跨模态之间的图像特征互补，获得两种跨模态图像互补特征；S3、将两种跨模态图像互补特征进行特征融合再通过解码器模块解码即可。还公开了一种医学图像分割系统。本发明在两个独立编码器中引入注意力机制，建立了不同模态图像特征的联系，提升了图像分割能力。

技术领域

本发明涉及医学影像处理技术领域，具体涉及一种应用多注意力机制的医学图像分割方法及系统。

背景技术

图像分割在许多医学图像分析中起着至关重要的作用。它可以去除源图像中不相关的器官和组织，并标记感兴趣的区域，例如特定器官、病变和肿瘤区域。同时，分割后的图像可以为医生提供例如肿瘤或病变的位置、大小和形状，以及器官的解剖和代谢状态等关键信息。在最近的工作中，多模态医学图像分割得到了广泛的研究。例如，使用 MRI 进行脑肿瘤分割和前列腺分割、使用 PET 和 CT 进行肝脏分割和头颈部肿瘤分割、使用 CT 和MR 图像进行腹部多器官分割 (CHAOS) 等。

现有的多模态医学图像分割工作得到很迅猛的发展，有单注意力多模态的图像分割、也有双注意力机制的图像分割。但是它们大多数实际上都只基于一个模态图像做分割，使得图像分割能力还有上升的空间。

发明内容

为解决上述问题，本发明目的在于提供一种应用多注意力机制的医学图像分割方法，该医学图像分割方法选择在两个独立编码器中引入注意力机制，通过对不同模态图像之间跨模态图像特征互补信息的提取，建立了不同模态图像特征的联系，提升了图像分割能力，分割得到的图像更接近真实图像。还公开了一种应用多注意力机制的医学图像分割系统。

本发明通过下述技术方案实现：

一种应用多注意力机制的医学图像分割方法，包括以下步骤

S1、构建网络结构，所述网络结构包括编码器模块、解码器模块，所述编码器模块包括两个独立的编码器，在两个编码器之间设置有跨模态互补特征学习注意力模块CMFL；

S2、将两种互补模态的医学图像分别输入至两个编码器中，由跨模态互补特征学习注意力模块CMFL获取两种模态之间的跨模态图像特征位置响应权重信息，进行跨模态之间的图像特征互补，获得两种跨模态图像互补特征；

S3、将两种跨模态图像互补特征进行特征融合再通过解码器模块解码即可。

跨模态互补特征学习注意力模块CMFL通过计算一个模态的当前位置对另一个模态全局位置的响应权重来获得两种模态互补的重要信息，实现每个编码器提取的单个模态的深度图像特征与另一个模态的深度图像特征相补充。

跨模态互补特征学习注意力模块CMFL可以用以下公式表示：

（1）

（2）

（3）

（4）

（5）

（6）