[发明专利]一种基于多层级多注意力MLMA-UNet网络的图像自动分割方法

说明书

本发明提出一种基于多层级多注意力MLMA‑UNet网络的图像自动分割方法，解决现有技术计算复杂度高，分割性能低的问题，包括如下步骤：步骤一：获取肝脏CT图像数据集，并对CT图像进行预处理；步骤二：构建面向肝脏和肿瘤的多层级特征重校准网络分割模型，利用训练集训练所述模型，通过多层级提取全局和局部特征，重新校准聚合的多层级特征的通道响应；步骤三：调整多层级特征重校准网络分割模型的参数并多次训练，当模型的损失函数稳定收敛，得到稳定收敛的模型，利用测试集对训练好的模型进行测试，构建肝脏和肿瘤检测网络，获得肝脏和肿瘤分割结果，利用统计度量对所述网络性能进行评价。

技术领域

本发明涉及于图像处理技术领域，具体是一种基于多层级多注意力MLMA-UNet网络的图像自动分割方法。

背景技术

目标分割是图像处理中极为重要的组成部分，而肝脏和肿瘤的自动分割是肝脏诊断和治疗规划的重要步骤。在临床上，人工分割被认为是医学实践和研究的金标准，医学专家通过CT图像手工勾画肝脏和肿瘤区域。然而，肝脏和肿瘤的人工分割是一项繁重、易出错和耗时的工作，这可能会延误诊断过程。分割依赖于专家的知识和经验，这可能会导致错误的分割结果。基于这些原因，有必要提供一个网络框架，能够以临床可以接受的精度自动分割肝脏和肿瘤，并向医生提供可参考的意见，以便在更短的时间内更准确地得出结论。

目前研究者提出的几种针对CT图像的分割方法可以分为传统分割方法和深度学习算法。非机器学习算法包括阈值法、图割法、边缘分割法、模糊聚类法、小波变换法。上述算法的分割精度依赖于手工设计特征的好坏，然而到目前为止，还未有一种既简单又能使健康组织和病变组织具有足够区分度的特征。目前深度学习已经成功应用于包括肝脏肿瘤自动分割在内的多个领域。Li等人通过引入使用2D和3D Dense-UNet混合特征融合层来探索切片内和切片间特征。Pereira等人在肿瘤分割神经网络中使用多个小卷积核卷积层代替大卷积核卷积层的技术并获得成功。然而，目前基于深度学习的肝脏肿瘤分割技术计算复杂度高，分割性能低。

有鉴于此，需要提供一种新的图像分割方法，以期解决上述至少部分问题。

发明内容

为了解决目前深度学习技术在进行肝脏肿瘤分割时计算复杂度高，分割性能低的问题，本发明提供了一种基于多层级多注意力MLMA-UNet网络的图像自动分割方法，应用于CT图像中肝脏和肿瘤的自动分割，具有多层级特征提取和特征重新标定的能力，具有较好的分割性能，其多层级特征提取能够捕捉到更详细的肝脏和肿瘤信息，能够以较小的分割误差分割复杂的肝实质和肿瘤。

本发明提供一种基于多层级多注意力MLMA-UNet网络的图像自动分割方法，包括如下步骤：

步骤一：获取肝脏CT图像数据集，并对CT图像进行逐层预处理，统一CT图像的格式，并通过数据增强扩增CT图像数据集，将肝脏CT图像数据集分为训练集和测试集；

步骤二：构建面向肝脏和肿瘤的多层级特征重校准网络分割模型，利用训练集训练所述模型，包括训练肝脏分割和训练肿瘤分割，通过多层级提取全局和局部特征，重新校准聚合的多层级特征的通道响应；

步骤三：调整多层级特征重校准网络分割模型的参数并多次训练，当模型的损失函数稳定收敛，得到稳定收敛的模型，利用测试集对训练好的模型进行测试，构建肝脏和肿瘤检测网络，获得肝脏和肿瘤分割结果，利用统计度量对所述网络性能进行评价。

进一步的，步骤一的具体步骤包括：

步骤1.1：将512×512的CT图像降采样为256×256的CT图像，减少计算量；

步骤1.2：使用(100，400)HU值窗口将经过步骤1.1处理的CT图像中不相关的器官去除；

步骤1.3：将经过步骤1.2在[0,1]层级上进行归一化，提供更容易成比例的图像作为输入图像；