[发明专利]基于双路注意力编解码网络的三维图像分割方法

说明书

本发明公开了一种基于双路注意力编解码网络的三维图像分割方法。本方法首先对用于训练图像进行预处理，接着构建双路注意力编解码网络，使用边界损失优化网络的参数，并利用训练好的模型对三维图像进行预测分割；最后使用密集条件随机场和最大连通区域算法对概率图进行调整，优化分割结果，并保存输出的后处理结果。本发明将双路注意力模块融入编解码网络之中，提高网络对三维图像的分割精度，降低三维图像处理的时间成本和人力成本，促进相应学界和产界的进步和发展。

技术领域

本发明涉及计算机视觉三维图像分析和处理领域，针对三维图像数据，提出了一种基于双路注意力编解码网络的三维图像分割方法。本发明可以应用于材料学和医学等领域的三维图像分割，提高三维图像分割精度，降低三维图像处理的时间成本和人力成本，促进相应学界和产界的进步和发展。

背景技术

图像语义分割是图像处理等领域普遍关注的问题。语义分割是让计算机根据图像的内容来进行分割，分割是从像素的层面分割图片中的不同对象，对原图中的每个像素点进行标注，将其分类为不同的标签，而分割的精度则包含着对图像中信息的理解。三维图像具有成像复杂、图片维度高和信息大的特点，因此如何利用人工智能技术快速准确地对三维图像进行语义分割并从中提取有用信息是计算机视觉领域的研究热点之一。

图像语义分割的方法有许多种，其中基于神经网络的图像语义分割是目前关注较多的研究热点之一，已有较多的研究成果。FCN(Fully convolutional network)是图像语义分割的经典框架，它以端对端的方法进行训练，并将训练好的分类网络用于语义分割；为了恢复图像的分辨率，FCN还利用反卷积进行上采样。与FCN相比U-Net具有更对称的编码和解码结构，从编码到解码部分的跳跃连接有助于位置信息的恢复，但由于构建网络结构的基本模块是简单的卷积块，因此存在一定程度的梯度消失问题，限制了网络深度的增加；此外U-Net没有充分考虑像素与像素之间的联系，缺少对局部特征之间依赖关系的探索，从而影响了最终分割结果的准确性。损失函数作为优化网络参数的重要工具，诸如交叉熵、相似性系数等损失缺少优化网络探索图像边界特征的能力，限制了语义分割精度的提升。因此，如何构建更深更有效的网络结构和优化网络探索更多特征是提升语义分割精度的关键。

发明内容

为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，设计一种基于双路注意力编解码网络的三维图像分割方法，增强网络对图像局部特征和边界特征的探索，实现对三维图像的高精度分割。

为达到上述发明创造目的，本发明采用如下技术方案：

.一种基于双路注意力编解码网络的三维图像分割方法，包括如下的步骤：

(1)三维图像预处理：

将用于训练的原始图像随机裁剪成小图像块，对小图像块进行预处理，获得更清晰的图像，并将预处理的数据保存在本地；

(2)训练双路注意力编解码网络：

构建基于双路注意力编解码网络，将训练集数据输入网络，使用边界损失优化网络的模型参数，并保存训练好的网络参数文件；

(3)使用训练好的模型预测：

载入训练好的模型参数文件，将测试集数据输入网络，获取预测的分割结果，分割结果以概率图表示；

(4)网络预测结果后处理：

使用密集条件随机场对概率图进行调整，优化分割结果的边缘，再使用最大连通区域算法去除多余的假正例，输出并保存后处理的图像结果。

优选地，一种基于双路注意力编解码网络的三维图像分割方法，包括如下的步骤：

(1)、将用于训练的原始图像随机裁剪成较小的图像块，对小图像块进行预处理，获得更清晰的图像，并将预处理的数据保存在本地；