CN116091458A - 一种基于互补注意力的胰腺图像分割方法 - Google Patents

一种基于互补注意力的胰腺图像分割方法 Download PDF

Info

Publication number
CN116091458A
CN116091458A CN202310061177.1A CN202310061177A CN116091458A CN 116091458 A CN116091458 A CN 116091458A CN 202310061177 A CN202310061177 A CN 202310061177A CN 116091458 A CN116091458 A CN 116091458A
Authority
CN
China
Prior art keywords
image
pancreatic
pancreas
feature map
edge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310061177.1A
Other languages
English (en)
Inventor
李伟生
赵应辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202310061177.1A priority Critical patent/CN116091458A/zh
Publication of CN116091458A publication Critical patent/CN116091458A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于医学图像处理技术领域，具体涉及一种基于互补注意力的胰腺图像分割方法；该方法包括：获取胰腺CT图像，对胰腺CT图像进行预处理，采用残差稠密模块对预处理好的胰腺CT图像进行特征提取，得到第一特征图；采用渐进金字塔池化模块对第一特征图进行处理，得到第二特征图；分别采用主分支解码器和边缘分支解码器对第二特征图进行处理，得到区域特征图和边缘特征图；采用互补注意力机制分别对区域特征图和边缘特征图进行处理，得到胰腺结果图和边缘结果图；本发明能够解决过分割和欠分割这些误分割问题，从而提高胰腺分割的准确率。

Description

一种基于互补注意力的胰腺图像分割方法
技术领域
本发明属于医学图像处理技术领域，具体涉及一种基于互补注意力的胰腺图像分割方法。
背景技术
近来以来，深度神经网络的快速发展使腹部CT扫描器官自动分割取得了很大进展。但是胰腺的分割是一项艰巨的任务，神经网络用于胰腺分割也遇到很多困难，例如：1.腹部器官中邻近组织之间的对比度低，其Hu值比较接近，不同类之间的模糊的Hu值会引起过分割现象。神经网络可能会把周围的组织也当成胰腺组织，这是因为在训练的过程中，神经网络在一系列的卷积池化后很多有价值的信息会被丢失，以及它不能够很好的捕获和积累特征信息来解决过分割问题。2.胰腺在腹部器官的占比很小，而且不同的患者胰腺受到其性别、年龄等影响下存在着很大的差异性，其形状，大小和位置都不是统一固定的。这为神经网络准确分割胰腺带来难度，导致胰腺组织的欠分割问题，该问题出现的原因是胰腺类内差异比较大，对于胰腺的边缘特征难以提取完整，不能够很准确的把握胰腺的形状和边缘信息。
由于胰腺是位于腹部的小而软的器官，现有技术提出了很多基于双阶段模型的胰腺分割方法。但对于双阶段模型，它的缺点在于计算步骤更加复杂和繁琐，不易推广应用于临床医学。因此，设计一个比较好单阶段模型更适合实际使用，但这也是目前面临的一个巨大挑战。胰腺高度的解剖差异导致特征信息的难以提取，U-Net采用跳跃式连接来修复上采样过程中丢失的空间信息，一现有技术在U-Net中加入门控注意力更好的将编码信息和解码信息进行融合，使得模型更加注意感兴趣区域的学习。虽然该模型能够很好的识别特征信息，但是并没有关注到低级特征和高级特征的差异性。同时，语义关系是普遍存在的，尤其是在分割任务中，准确的胰腺分割依赖于理解的上下文语义信息。由于胰腺与邻近的组织边界比较模糊，边缘信息也十分重要性。
综上所述，亟需一种能提取丰富的高级语义特征，考虑到语义分割任务和边缘检测任务的胰腺分割方法，以提高胰腺分割的准确性。
发明内容
针对现有技术存在的不足，本发明提出了一种基于互补注意力的胰腺图像分割方法，该方法包括：获取胰腺CT图像，对胰腺CT图像进行预处理，将预处理好的图像输入到训练好的基于互补注意力的胰腺图像分割网络中，得到胰腺图像分割结果；基于互补注意力的胰腺图像分割网络包括一个编码器和两个解码器，其中，编码器包括残差稠密模块和渐进金字塔池化模块，两个解码器分别为主分支解码器和边缘分支解码器；
基于互补注意力的胰腺图像分割网络的训练过程包括：
S1：获取胰腺CT图像训练数据并对其进行预处理，将预处理后的胰腺CT图像划分为训练集和测试集；
S2：采用残差稠密模块对训练集的胰腺CT图像进行特征提取，得到第一特征图；
S3：采用渐进金字塔池化模块对第一特征图进行处理，得到第二特征图；
S4：分别采用主分支解码器和边缘分支解码器对第二特征图进行特征提取，并采用互补注意力机制分别对两个分支提取的特征信息进行交互，得到胰腺结果和边缘结果图；
S5：根据胰腺结果图计算分割损失，根据边缘结果图计算边缘损失；根据分割损失和边缘损失反向传播并更新网络参数，当分割损失与边缘损失的和最小时，保存网络参数，得到训练好的基于互补注意力的胰腺图像分割网络；
S6：将测试集中的胰腺CT图像输入到训练好的基于互补注意力的胰腺图像分割网络中，得到胰腺结果图即胰腺图像分割结果。
优选的，对胰腺CT图像进行预处理的过程包括：将原始三维胰腺CT图像转换为numpy格式并作切片处理，得到二维胰腺CT图像；计算二维胰腺CT图像的Hu值，根据Hu值对胰腺CT图像作进一步处理保证Hu值在-100到200之间，若胰腺CT图像的Hu值小于-100，则处理胰腺CT图像使其Hu值等于-100，若胰腺CT图像的Hu值大于200，则处理胰腺CT图像使其Hu值等于200；对处理后的所有胰腺CT图像做归一化处理，得到预处理好的胰腺CT图像。
优选的，采用残差稠密模块对胰腺CT图像进行特征提取的过程包括：采用连续的5个残差卷积块依次对胰腺CT图像进行处理，每次卷积后均进行下采样操作，得到第一特征图；其中，5个残差卷积块的通道维度分别为32、64、128、256和512。
优选的，采用渐进金字塔池化模块对第一特征图进行处理的过程包括：对第一特征图进行不同尺寸的池化操作，得到多个包含不同子区域信息的特征图；采用双线性插值的方式对多个包含不同子区域信息的特征图进行上采样处理，得到上采样处理后的多个特征图；拼接上采样处理后的多个特征图并采用1×1的卷积进行处理，得到中间特征图；将第一特征图和中间特征图进行拼接融合，得到第二特征图。
优选的，采用主分支解码器对第二特征图进行特征提取的过程包括：采用4个主分支残差卷积块对第二特征图进行处理，每个主分支残差卷积块的输出即为区域特征图；其中，主分支残差卷积块包括上采样层和卷积层。
进一步的，4个主分支残差卷积块中卷积层的通道维度分别为512、128、64和32。
优选的，采用边缘分支解码器对第二特征图进行特征提取的过程包括：采用4个边缘分支残差卷积块对第二特征图进行卷积处理，每个边缘分支残差卷积块的输出即为边缘特征图；其中，边缘分支残差卷积块包括上采样层和卷积层。
进一步的，4个边缘分支残差卷积块中卷积层的通道维度分别为512、128、64和32。
本发明的有益效果为：本发明设计了一个编码器和两个解码器，在编码阶段，本发明使用了残差卷积块和渐进金字塔池化来加强胰腺特征提取的能力，一定程度上防止在下采样的过程中特征信息的丢失。在解码阶段，主分支解码器用来学习胰腺的整体区域分割，而边缘分支解码器用来提高目标边缘的学习的能力以及将有用的特征信息交汇给主分支学习。基于以上的策略，本发明能够解决过分割和欠分割这些误分割问题，从而提高图像识别结果(胰腺分割)的准确率。
附图说明
图1为本发明中基于互补注意力的胰腺图像分割网络示意图；
图2为本发明中残差稠密卷积块示意图；
图3为本发明中金字塔池化模块示意图；
图4为本发明中互补注意力模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出了一种基于互补注意力的胰腺图像分割方法，如图1所示，所述方法包括以下内容：获取待识别的胰腺CT图像，对胰腺CT图像进行预处理，将预处理好的图像输入到训练好的基于互补注意力的胰腺图像分割网络中，得到胰腺图像分割结果；基于互补注意力的胰腺图像分割网络包括一个编码器和两个解码器，其中，编码器包括残差稠密模块和渐进金字塔池化模块，两个解码器分别为主分支解码器和边缘分支解码器；
对胰腺CT图像进行预处理的过程包括：将原始三维胰腺CT图像转换为numpy格式并作切片处理，得到二维胰腺CT图像；计算二维胰腺CT图像的Hu值，根据Hu值对胰腺CT图像作进一步处理保证Hu值在-100到200之间，若胰腺CT图像的Hu值小于-100，则处理胰腺CT图像使其Hu值等于-100，若胰腺CT图像的Hu值大于200，则处理胰腺CT图像使其Hu值等于200；对处理后的所有胰腺CT图像做归一化处理，得到预处理好的胰腺CT图像。
基于互补注意力的胰腺图像分割网络的训练过程包括：
S1：获取胰腺CT图像训练数据并对其进行预处理，将预处理后的胰腺CT图像划分为训练集和测试集。
S2：采用残差稠密模块对训练集的胰腺CT图像进行特征提取，得到第一特征图。
残差密集卷积块可获取最重要的前景信息，在提取特征的过程中实现特征积累，这有助于提取非常低水平的特征，而这些特征对于不同医学成像模式的分割任务(如胰腺分割)是必不可少的；为了避免过深的网络带来的梯度不稳定等问题，本发明使用的残差结构一定程度上可以缓解梯度弥散问题，使得信息前后向传播更加顺畅。如图2所示，采用残差稠密模块对胰腺CT图像进行特征提取的过程包括：采用连续的5个残差卷积块依次对胰腺CT图像进行处理，每次卷积后均进行下采样操作，得到第一特征图；其中，5个残差卷积块的通道维度分别为32、64、128、256和512。
胰腺CT图像经过第一个普通卷积块增加维度以存储更为丰富的语义信息，接着通过密集卷积块有效的积累不同的层次的特征信息；除了第一个普通卷积块使用1×1大小外其余卷积核大小均采用3×3大小，特征提取的过程中不使用池化操作，既保证了特征图大小不会发生变化，也避免了信息的丢失，以增强特征提取的能力。
S3：采用渐进金字塔池化模块对第一特征图进行处理，得到第二特征图。
如图3所示，采用渐进金字塔池化模块对第一特征图进行处理的过程包括：对第一特征图进行不同尺寸的池化操作，得到多个包含不同子区域信息的特征图；优选的，对第一特征图进行3种不同尺寸的池化操作，分别为1*1、3*3、5*5。
采用双线性插值的方式对多个包含不同子区域信息的特征图进行上采样处理，得到上采样处理后的多个特征图。
拼接上采样处理后的多个特征图并采用1×1的卷积进行处理，得到中间特征图；将第一特征图和中间特征图进行拼接融合，得到第二特征图。
上述整个过程可以减少不同尺度之间的语义信息差距，最终将这些特征映射融合为全局先验信息；为融合合适的全局特征，本发明引入了渐进金字塔池化模块逐步融合来自不同区域的特征，避免丢失表征不同子区域之间关系的语境信息。通过上述策略利用全局上下文的类别线索，整合更加丰富的语义信息并减少不同尺度之间的语义差距，使得最后的分割结果更加的可靠。
S4：分别采用主分支解码器和边缘分支解码器对第二特征图进行特征提取，并采用互补注意力机制分别对两个分支提取的特征信息进行交互，得到胰腺结果图和边缘结果图。
采用主分支解码器对第二特征图进行特征提取的过程包括：采用4个主分支残差卷积块对第二特征图进行处理，边缘分支残差卷积块包括上采样层和卷积层，每次卷积前均进行上采样操作，每个主分支残差卷积块的输出即为区域特征图；其中，4个主分支残差卷积块中卷积层的通道维度分别为512、128、64和32。
采用边缘分支解码器对第二特征图进行处理的过程包括：采用4个边缘分支残差卷积块对第二特征图进行处理，边缘分支残差卷积块包括上采样层和卷积层，每次卷积前均进行上采样操作，每个边缘分支残差卷积块的输出即为边缘特征图；其中，4个边缘分支残差卷积块中卷积层的通道维度分别为512、128、64和32。
注意机制包括空间注意机制、通道注意机制。空间注意力就是突出图像中的主体特征然后把更多的权重放在特征图上面，而通道注意力把每一个通道相当于一个鉴别器，每个通道都会学到不同种类的特征，让网络在当前任务中自主选择应该关注什么样的特征。本发明利用两种不同的互补注意力模块建立区域与边界线索之间的关系，进一步挖掘边界线索。由于区域和边界之间的这种经常性的学习互补机制，在区域学习的过程中，可以从边界学习分支汲取有效的边界线索来弥补自身所欠缺的特征信息，从而使得模型能够校正一些错误的预测。
主分支解码器和边缘分支解码器均包含3个互补注意力模块，每个互补注意力模块的输出即中间胰腺结果图(中间边缘结果图)分别为后3个主分支残差卷积块(边缘分支残差卷积块)的输入；第4个区域特征图或边缘结果图经过1×1的卷积层处理后，得到最终输出即胰腺结果图或边缘结果图。
如图4所示，采用互补注意力机制分别对两个分支提取的特征信息进行交互即采用互补注意力机制对区域特征图和边缘特征图进行处理的过程包括：
在两个分支中进行相似的处理：采用3个互补注意力模块分别对对应的前3个主分支残差卷积块(边缘分支卷积块)输出的特征图进行处理，前两个互补注意力模块为互补通道注意力模块，最后一个互补注意力模块为互补空间注意力模块。
在互补通道注意力模块中，对区域特征图和边缘特征图进行处理过程包括：在空间维度对区域特征图进行平均池化处理，得到平滑特征图(大小为1×1×c，c表示通道)；采用1×1的卷积对平滑特征图进行处理后经过激活函数处理，得到第一注意力概率图；将第一注意力概率图和区域特征图相乘，根据相乘后的结果和第一注意力概率图，与边缘特征图进行交互，得到中间胰腺结果图；
在互补空间注意力模块中，对区域特征图和边缘特征图进行处理过程包括：在通道维度对边缘特征图进行平均池化处理，得到通道特征图(大小为w×h×c，w表示横向维度，h表示纵向维度)；采用1×1的卷积对通道特征图进行处理后经过激活函数处理，得到第二注意力概率图；将第二注意力概率图和边缘特征图相乘，根据相乘后的结果和第二注意力概率图，与区域特征图进行交互，得到中间边缘结果图。
优选的，在一些实施例中，本发明的网络参数如表1所示：
表1网络参数表
Figure BDA0004061249830000081
Figure BDA0004061249830000091
S6：根据胰腺结果图计算分割损失，根据边缘结果图计算边缘损失；根据分割损失和边缘损失反向传播并更新网络参数，当分割损失与边缘损失的和最小时，保存网络参数，得到训练好的基于互补注意力的胰腺图像分割网络。
S7：将测试集中的胰腺CT图像输入到训练好的基于互补注意力的胰腺图像分割网络中，得到胰腺结果图即胰腺图像分割结果。
将获取的胰腺CT图像，作预处理后输入到本发明的训练好的基于互补注意力的胰腺图像分割网络，可得到准确性高的胰腺图像分割结果。
对本发明进行评价，采用NIH胰腺数据集作为输入，将本发明与对比方法的分割效果进行对比，结果如表2所示：
表2本发明与对比方法的分割结果对比表
Figure BDA0004061249830000092
从表2可以看出本发明提出的方法(Proposed)对比经典网络(U-Net、Att-Unet和SegNet)，在Dice指标分割的结果更加好，同时其他指标(Jaccard相似度、Precision精确率、Recall召回率、Hausdorff豪斯多夫距离、ASSD平均表面距离)也优于其他网络，证明本发明对胰腺分割效果更加有效。
本发明提出了一种多尺度双路径结合互补注意力机制的U型网络胰腺分割网络，主要用来解决类内差异带来的欠分割问题和分割结果不连续问题，以及类内模糊引起的过分割、误分割等问题。具体来说，本发明通过残差密集块提取和累加特征信息和渐进金字塔池化融合多尺度信息，以及额外引入了一个边界分支和互补注意力模块为区域学习提供丰富的线索。本发明与U型网络U-Net、注意力U型网络Att-Unet和用于语义分割的深度全卷积神经网络结构SegNet相比，本发明能够更好的分割出胰腺部位具有较高的精度，同时本发明的分割结果均优于目前最先进的胰腺分割算法。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于互补注意力的胰腺图像分割方法，其特征在于，包括：获取胰腺CT图像，对胰腺CT图像进行预处理，将预处理好的图像输入到训练好的基于互补注意力的胰腺图像分割网络中，得到胰腺图像分割结果；基于互补注意力的胰腺图像分割网络包括一个编码器和两个解码器，其中，编码器包括残差稠密模块和渐进金字塔池化模块，两个解码器分别为主分支解码器和边缘分支解码器；
基于互补注意力的胰腺图像分割网络的训练过程包括：
S1：获取胰腺CT图像训练数据并对其进行预处理，将预处理后的胰腺CT图像划分为训练集和测试集；
S2：采用残差稠密模块对训练集的胰腺CT图像进行特征提取，得到第一特征图；
S3：采用渐进金字塔池化模块对第一特征图进行处理，得到第二特征图；
S4：分别采用主分支解码器和边缘分支解码器对第二特征图进行特征提取，并采用互补注意力机制分别对两个分支提取的特征信息进行交互，得到胰腺结果图和边缘结果图；
S5：根据胰腺结果图计算分割损失，根据边缘结果图计算边缘损失；根据分割损失和边缘损失反向传播并更新网络参数，当分割损失与边缘损失的和最小时，保存网络参数，得到训练好的基于互补注意力的胰腺图像分割网络；
S6：将测试集中的胰腺CT图像输入到训练好的基于互补注意力的胰腺图像分割网络中，得到胰腺结果图即胰腺图像分割结果。
2.根据权利要求1所述的一种基于互补注意力的胰腺图像分割方法，其特征在于，对胰腺CT图像进行预处理的过程包括：将原始三维胰腺CT图像转换为numpy格式并作切片处理，得到二维胰腺CT图像；计算二维胰腺CT图像的Hu值，根据Hu值对胰腺CT图像作进一步处理保证Hu值在-100到200之间，若胰腺CT图像的Hu值小于-100，则处理胰腺CT图像使其Hu值等于-100，若胰腺CT图像的Hu值大于200，则处理胰腺CT图像使其Hu值等于200；对处理后的所有胰腺CT图像做归一化处理，得到预处理好的胰腺CT图像。
3.根据权利要求1所述的一种基于互补注意力的胰腺图像分割方法，其特征在于，采用残差稠密模块对胰腺CT图像进行特征提取的过程包括：采用连续的5个残差卷积块依次对胰腺CT图像进行处理，每次卷积后均进行下采样操作，得到第一特征图；其中，5个残差卷积块的通道维度分别为32、64、128、256和512。
4.根据权利要求1所述的一种基于互补注意力的胰腺图像分割方法，其特征在于，采用渐进金字塔池化模块对第一特征图进行处理的过程包括：对第一特征图进行不同尺寸的池化操作，得到多个包含不同子区域信息的特征图；采用双线性插值的方式对多个包含不同子区域信息的特征图进行上采样处理，得到上采样处理后的多个特征图；拼接上采样处理后的多个特征图并采用1×1的卷积进行处理，得到中间特征图；将第一特征图和中间特征图进行拼接融合，得到第二特征图。
5.根据权利要求1所述的一种基于互补注意力的胰腺图像分割方法，其特征在于，采用主分支解码器对第二特征图进行特征提取的过程包括：采用4个主分支残差卷积块对第二特征图进行处理，每个主分支残差卷积块的输出即为区域特征图；其中，主分支残差卷积块包括上采样层和卷积层。
6.根据权利要求5所述的一种基于互补注意力的胰腺图像分割方法，其特征在于，4个主分支残差卷积块中卷积层的通道维度分别为512、128、64和32。
7.根据权利要求1所述的一种基于互补注意力的胰腺图像分割方法，其特征在于，采用边缘分支解码器对第二特征图进行特征提取的过程包括：采用4个边缘分支残差卷积块对第二特征图进行卷积处理，每个边缘分支残差卷积块的输出即为边缘特征图；其中，边缘分支残差卷积块包括上采样层和卷积层。
8.根据权利要求7所述的一种基于互补注意力的胰腺图像分割方法，其特征在于，4个边缘分支残差卷积块中卷积层的通道维度分别为512、128、64和32。
CN202310061177.1A 2023-01-17 2023-01-17 一种基于互补注意力的胰腺图像分割方法 Pending CN116091458A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310061177.1A CN116091458A (zh) 2023-01-17 2023-01-17 一种基于互补注意力的胰腺图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310061177.1A CN116091458A (zh) 2023-01-17 2023-01-17 一种基于互补注意力的胰腺图像分割方法

Publications (1)

Publication Number Publication Date
CN116091458A true CN116091458A (zh) 2023-05-09

Family

ID=86206026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310061177.1A Pending CN116091458A (zh) 2023-01-17 2023-01-17 一种基于互补注意力的胰腺图像分割方法

Country Status (1)

Country Link
CN (1) CN116091458A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681958A (zh) * 2023-08-04 2023-09-01 首都医科大学附属北京妇产医院 基于机器学习的胎儿肺脏超声影像成熟度预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681958A (zh) * 2023-08-04 2023-09-01 首都医科大学附属北京妇产医院 基于机器学习的胎儿肺脏超声影像成熟度预测方法
CN116681958B (zh) * 2023-08-04 2023-10-20 首都医科大学附属北京妇产医院 基于机器学习的胎儿肺脏超声影像成熟度预测方法

Similar Documents

Publication Publication Date Title
CN113077471B (zh) 一种基于u型网络的医学图像分割方法
CN110930397B (zh) 一种磁共振图像分割方法、装置、终端设备及存储介质
CN113012172B (zh) 一种基于AS-UNet的医学图像分割方法及系统
CN109949276B (zh) 一种于改进SegNet分割网络的淋巴结检测方法
CN112712528B (zh) 一种多尺度u型残差编码器与整体反向注意机制结合的肠道病灶分割方法
CN114419020B (zh) 医学图像分割方法、装置、计算机设备及存储介质
CN114266794B (zh) 基于全卷积神经网络的病理切片图像癌症区域分割系统
CN116309648A (zh) 一种基于多注意力融合的医学图像分割模型构建方法
CN116681679A (zh) 基于双分支特征融合注意的医学图像小目标分割方法
CN112884788B (zh) 基于丰富上下文网络的视杯视盘分割方法及成像方法
CN114998265A (zh) 一种基于改进U-Net的肝脏肿瘤分割方法
CN115546570A (zh) 一种基于三维深度网络的血管图像分割方法及系统
CN114419054A (zh) 视网膜血管图像分割方法、装置及相关设备
CN115375711A (zh) 基于多尺度融合的全局上下文关注网络的图像分割方法
CN116228792A (zh) 一种医学图像分割方法、系统及电子装置
CN115471470A (zh) 一种食管癌ct图像分割方法
CN114419056A (zh) 一种逐步精细的医学图像分割系统
CN112270366A (zh) 基于自适应多特征融合的微小目标检测方法
CN116091458A (zh) 一种基于互补注意力的胰腺图像分割方法
CN116228785A (zh) 一种基于改进的Unet网络的肺炎CT影像分割方法
CN112869704B (zh) 一种基于循环自适应多目标加权网络的糖尿病视网膜病变区域自动分割方法
CN112489062B (zh) 基于边界及邻域引导的医学图像分割方法及系统
CN113344933A (zh) 一种基于多层次特征融合网络的腺体细胞分割方法
CN112634224B (zh) 基于目标影像的病灶检测方法和装置
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination