[发明专利]基于注意力机制改进的U-net肝肿瘤分割方法

说明书

本发明公开了一种基于注意力机制改进的U‑net肝肿瘤分割方法，具体包括以下步骤：S1.数据集获取和基本分割模型的选取；S2.数据预处理；S3.确定损失函数；S4.确定评价肝肿瘤分割性能的指标；S5.分割模型搭建；S6.进行肝肿瘤图像分割。本发明改进了传统的通道注意力机制和空间注意力机制，并对如何集成到网络架构中进行了分析，与经典的分割方法相比，尽管数据分布有较大差异，但本发明方法均能表现出最佳的效果，具有良好的抗噪性和鲁棒性，采用本发明的分割方法，用于分割肝肿瘤图像效果更佳，精度更高。

技术领域

本发明涉及于医学影像处理技术领域，特别是一种肝肿瘤的分割方法。

背景技术

肝脏是人体结构中的重要器官之一，主要有激素代谢、解毒、分泌和排泄胆汁等功能；肝癌是在肝脏部位发生的恶性肿瘤。根据世界卫生组织(World Health Organization,WHO)等相关机构发布的数据显示，2020年全球有超过八十万人死于肝癌，死亡人数接近新确诊人数，严重威胁着人类的身心健康。若能对其进行早期诊断——精准的分割出病灶区域，然后根据个体差异施以合适的治疗方法，能够有效的提升存活率。

常见诊断肝肿瘤的方法主要是依靠经验丰富的医生根据计算机断层扫描(Computer Tomography,CT)结果来进行手工分割。随着患者人数的增加，为了减小医生诊断的负担，辅助诊断的方法走入了大众视野。传统的图像分割方法主要有阈值法(Threshold)、区域生长(Region Growing)、水平集(Level Set)等方法。在机器学习方面主要用聚类算法、支持向量机(Support Vector)、AdaBoost等方法进行分割研究。不过，无论是传统方法，还是基于一般的机器学习图像分割方法，并不是一个端到端的分割模型，提取特征都需要人工的干预，此过程很容易受到主观意识的影响，效率低下，且性能不高。

随着对数据和算力的充分利用，2012年AlexNet在ILSVRC挑战赛上的巨大成功引领了新一轮深度学习的浪潮，出现了VGG、ResNet等一系列经典的卷积神经网络，因此部分学者也开始考虑将它们移植到医学图像分割上。2015年，名为UNet的医学分割网络架构，在ISBI细胞跟踪比赛中取得了良好的性能。随后大量学者对其进行改进，引入了三维卷积、金字塔结构、残差连接、注意力机制等思想。其中3DUNet和VNet利用3×3×3的卷积核来提取图像特征，相比2D卷积准确率有了一定的提高，但是也引入了大量的参数。ResUNet、UNet++、DenseUNet等采用跳跃连接和密集连接的思想，增强了网络结构的表征能力，解决一定的梯度消失和退化问题，但是整个过程中并没对特征进行挑选，没有消除噪音对网络带来的干扰。

近几年，注意力机制的引入对网络性能有了明显的提升，通道注意力SENet大放异彩，效果优异，但是其丢失了空间信息，混合注意力Residual attention生成3D注意力特征图，过程简单，但引入了大量参数。BAM和CBAM虽然将通道和空间信息都考虑了在内，性能有所提升，但是其通道和空间分支在低维映射时都存在信息丢失问题。此外，在图像分割方面Attention-UNet在上采样的跳跃连接处采用AG门控机制来聚焦目标区域，致力消除使用额外的目标定位模块来分割图像，但是其所使用的网络提取特征能力并不强。

总的来说，尽管上述基于深度学习的分割方法比传统方法步骤更简单、效率更高、分割效果更好，但是由于标准数据资源稀少、模型表征能力有限、图像复杂度较高等问题的限制，当前的网络仍然不能达到临床所需的效果。

发明内容

本发明提供一种基于注意力机制改进的U-net肝肿瘤分割方法，以提高分割精度为目标，主要用来解决卷积神经网络的特征提取针对性能力不强和肝脏分割性能不高的难点。

为解决上述技术问题，本发明所采取的技术方案如下。

基于注意力机制改进的U-net肝肿瘤分割方法，具体包括以下步骤：

S1.数据集获取和基本分割模型的选取；