本發(fā)明涉及醫(yī)學圖像分割，尤其是涉及一種基于unet架構的醫(yī)學圖像分割方法、裝置和介質(zhì)。

背景技術：

1、隨著計算機軟硬件技術的發(fā)展，其中醫(yī)學圖像自動分割方法是臨床輔助診斷中使用最多的技術之一。主要是從醫(yī)學圖像中自動分割病變區(qū)域，用于后續(xù)的診斷、分析。在肺炎病變分割醫(yī)學場景中，計算機輔助診斷技術被用來診斷感染患者的肺部病理圖像。然而由于醫(yī)學成像設備的不同，不同模態(tài)圖像之間存在較大差異。其中肺炎病灶區(qū)域呈現(xiàn)不規(guī)則的形狀，或者醫(yī)學掃描成像生成ct圖像的分割目標與背景之間對比度較小。而且肺炎患者的病變區(qū)域大小會因為不同感染者體態(tài)之間的不同而存在較大差異，這些都使得臨床快速準確分割肺炎病變感染區(qū)域變得更加困難。其次，在臨床中對大量ct掃描成像的診斷需要進行人工評估，這是一項耗時的任務，并且會增加醫(yī)療專業(yè)人員的工作量要求。

2、基于深度學習方法的逐漸成熟，大大增強了計算機輔助診斷在臨床中的應用，該方法可對病變感染區(qū)域進行識別，其中，卷積神經(jīng)網(wǎng)絡作為深度學習領域的一種實現(xiàn)方式。然而，現(xiàn)有基于卷積神經(jīng)網(wǎng)絡的診斷方法在對存在噪聲較大、病灶感染區(qū)域不規(guī)則、邊界模糊等肺炎圖像進行分割時，存在分割準確率低，可靠性差等不足。

技術實現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術存在的分割準確率低的缺陷而提供一種基于unet架構的醫(yī)學圖像分割方法、裝置和介質(zhì)。

2、本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：

3、一種基于unet架構的醫(yī)學圖像分割方法，包括以下步驟：

4、獲取待分割圖像，將待分割圖像進行預處理后，輸入基于unet架構的分割網(wǎng)絡中，得到分割結果；

5、其中，基于unet架構的分割網(wǎng)絡為：基于unet的編碼器和解碼器，在編解碼橋接處引入空洞空間卷積池化金字塔模塊、空間卷積注意力金字塔模塊，編碼器對輸入圖像進行特征語義信息提取，編碼器中最后一個編碼層得到的特征語義信息輸入到空洞空間卷積池化金字塔模塊中，用于權重分配，空間卷積注意力金字塔模塊通過擴大不同池化感受野，進行特征信息提取，在特征信息輸出前與輸入圖像特征進行重新加權得到邊緣細節(jié)信息，解碼器在轉(zhuǎn)置卷積之前采用雙concatenate操作進行邊緣細節(jié)信息與特征語義信息的融合。

6、進一步地，空間卷積注意力金字塔模塊包括并行的多路分支以及一個特征信息輸出前的注意力分支，多路分支的權重相同。

7、進一步地，并行的多路分支為4路，空間卷積注意力金字塔模塊的表達式為：

8、

9、

10、

11、

12、fout＝x·sigmoid([f1,f2,f3,f4])

13、式中，fi表示asap模塊的的第i個分支，u代表上采樣操作，表示卷積核大小為1×1的卷積，maxi×i表示池化率為i×i的最大池化，avgi×i表示池化率為i×i的平均池化池化，gavg表示卷積平均池化，x表示輸入到空間卷積注意力金字塔模塊的輸入信息，·表示元素相乘操作，[]表示conocatenate操作。

14、進一步地，預處理包括歸一化、圖像尺寸重塑和數(shù)據(jù)增強，圖像尺寸重塑的方法為雙線性插值法。

15、進一步地，歸一化的計算表達式為：

16、max＝max(data)

17、min＝min(data)

18、

19、式中，data為原始數(shù)據(jù)，max為最大值，min為最小值，normalized_data為歸一化后的數(shù)據(jù)。

20、進一步地，基于unet架構的分割網(wǎng)絡的損失函數(shù)由dice損失和二元交叉熵損失的均值，計算表達式為：

21、loss＝mean(lossdice+lossbce)

22、式中，loss為損失函數(shù)，lossdice為dice損失，lossbce為二元交叉熵損失。

23、進一步地，編碼器包括多個卷積塊，卷積塊間通過池化層連接，解碼器包括多個反卷積塊，每個反卷積塊均包括第一卷積層和第二卷積層，反卷積塊間通過上采樣層連接，卷積塊與反卷積塊一一對應，每個卷積塊均設有第一分支和第二分支，第一分支連接至對應反卷積塊的第一卷積層，第二分支連接空洞空間金字塔池化模塊后連接至對應反卷積塊的第二卷積層，編碼器的最后一層卷積塊的輸出連接空間卷積注意力模塊，空間卷積注意力模塊的輸出為解碼器的第一個反卷積塊的輸入。

24、進一步地，基于unet架構的分割網(wǎng)絡的評價指標包括dice相似系數(shù)、交并比、敏感度、特異性、豪斯多夫距離和陽性預測值。

25、本發(fā)明的第二方面，一種基于unet架構的醫(yī)學圖像分割方法裝置，包括存儲器、處理器，以及存儲于存儲器中的程序，處理器執(zhí)行程序時實現(xiàn)如上任一的一種基于unet架構的醫(yī)學圖像分割方法。

26、本發(fā)明的第三方面，一種存儲介質(zhì)，其上存儲有程序，程序被執(zhí)行時實現(xiàn)如上任一的一種基于unet架構的醫(yī)學圖像分割方法。

27、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

28、1)本發(fā)明通過在unet網(wǎng)絡中加入空洞空間卷積注意力金字塔模塊和空間卷積池化金字塔模塊，面對醫(yī)學圖像存在的邊界模糊、區(qū)域不規(guī)則的問題，能夠抑制不相關信息的提取，從而減少邊界錯誤分割的比例，解決了unet存在的分割定位模糊和過度分割的問題。

29、2)本發(fā)明在解碼器上轉(zhuǎn)置卷積之前采用雙concatenate融合信息操作，來促使解碼器獲得豐富的細粒度信息，進一步提升準確性。

技術特征：

1.一種基于unet架構的醫(yī)學圖像分割方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于unet架構的醫(yī)學圖像分割方法，其特征在于，所述空間卷積注意力金字塔模塊包括并行的多路分支以及一個特征信息輸出前的注意力分支，所述多路分支的權重相同。

3.根據(jù)權利要求2所述的一種基于unet架構的醫(yī)學圖像分割方法，其特征在于，所述并行的多路分支為4路，所述空間卷積注意力金字塔模塊的表達式為：

4.根據(jù)權利要求1所述的一種基于unet架構的醫(yī)學圖像分割方法，其特征在于，所述預處理包括歸一化、圖像尺寸重塑和數(shù)據(jù)增強，所述圖像尺寸重塑的方法為雙線性插值法。

5.根據(jù)權利要求4所述的一種基于unet架構的醫(yī)學圖像分割方法，其特征在于，所述歸一化的計算表達式為：

6.根據(jù)權利要求1所述的一種基于unet架構的醫(yī)學圖像分割方法，其特征在于，所述基于unet架構的分割網(wǎng)絡的損失函數(shù)由dice損失和二元交叉熵損失的均值，計算表達式為：

7.根據(jù)權利要求1所述的一種基于unet架構的醫(yī)學圖像分割方法，其特征在于，所述編碼器包括多個卷積塊，所述卷積塊間通過池化層連接，所述解碼器包括多個反卷積塊，每個反卷積塊均包括第一卷積層和第二卷積層，所述反卷積塊間通過上采樣層連接，所述卷積塊與反卷積塊一一對應，每個卷積塊均設有第一分支和第二分支，所述第一分支連接至對應反卷積塊的第一卷積層，所述第二分支連接空洞空間金字塔池化模塊后連接至對應反卷積塊的第二卷積層，所述編碼器的最后一層卷積塊的輸出連接空間卷積注意力模塊，所述空間卷積注意力模塊的輸出為解碼器的第一個反卷積塊的輸入。

8.根據(jù)權利要求1所述的一種基于unet架構的醫(yī)學圖像分割方法，其特征在于，所述基于unet架構的分割網(wǎng)絡的評價指標包括dice相似系數(shù)、交并比、敏感度、特異性、豪斯多夫距離和陽性預測值。

9.一種基于unet架構的醫(yī)學圖像分割方法裝置，包括存儲器、處理器，以及存儲于所述存儲器中的程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權利要求1-8中任一所述的一種基于unet架構的醫(yī)學圖像分割方法。

10.一種存儲介質(zhì)，其上存儲有程序，其特征在于，所述程序被執(zhí)行時實現(xiàn)如權利要求1-8中任一所述的一種基于unet架構的醫(yī)學圖像分割方法。

技術總結
本發(fā)明涉及一種基于UNet架構的醫(yī)學圖像分割方法、裝置及介質(zhì)。該方法包括以下步驟：獲取待分割圖像，將待分割圖像進行預處理后，輸入基于UNet架構的分割網(wǎng)絡中，得到分割結果；分割網(wǎng)絡包括：編碼器和解碼器、空洞空間卷積池化金字塔模塊、空間卷積注意力金字塔模塊，編碼器對輸入圖像進行特征語義信息提取，編碼器中最后一個編碼層得到的特征語義信息輸入到空洞空間卷積池化金字塔模塊中，用于權重分配，空間卷積注意力金字塔模塊進行特征信息提取，在特征信息輸出前與輸入圖像特征進行重新加權得到邊緣細節(jié)信息，解碼器進行邊緣細節(jié)信息與特征語義信息的融合。與現(xiàn)有技術相比，本發(fā)明具有邊界分割準確、信息相關性高等優(yōu)點。

技術研發(fā)人員：毛琦,王文峰,張琰,田祎
受保護的技術使用者：上海工程技術大學
技術研發(fā)日：
技術公布日：2025/1/2