[发明专利]基于全局自注意力与多尺度特征融合的肝脏CT图像分割方法

说明书

本发明涉及基于全局自注意力与多尺度特征融合的肝脏CT图像分割方法，属于医学图像处理技术领域。本发明包括步骤：(1)获取腹部CT数据集，并进行预处理；(2)采用ResNeXt卷积神经网络提取多尺度特征，引入多尺度空间信息；(3)使用多尺度特征通过全局自注意力模块，得到全局自注意力融合特征；(4)将融合特征通过改进的卷积模组进行特征提取，最终上采样得到分割结果。该方法基于LiTS公开数据集进行验证，分割结果与真实分割的重叠区域平均Dice值达到了96.4％，比经典模型UNet高4.3％。

技术领域

本发明设计基于全局自注意力与多尺度特征融合的肝脏CT图像分割方法，属于医疗图像处理技术领域。

背景技术

肝癌是全球发病率和死亡率增长最快的癌症之一。计算机断层扫描(CT)是临床上常用的肿瘤诊断方法，这主要得益于CT成像技术通常可以避免其他成像技术中器官影像重叠问题，更有利于肿瘤的识别。肝脏分割是介入肝癌临床诊断分析的关键步骤，准确的肝脏分割结果可以极大提升医生对于CT图像的阅片效率，从而尽早制定出诊疗方案。

随着CT影像数量的不断增长，一个病例的CT扫描数据通常伴随几百张CT切片，通过人工方法逐张分析存在主观干扰、标准不一、流程复杂、费时费力、不具有可重复性等问题。因此在腹部CT图像中准确地自动分割出肝脏器官相较于手动分割具有更大价值。目前肝脏分割的难点主要体现在，肝脏器官内部对比度低、肝脏和其他邻近器官之间的强度差异较小、相邻器官边界模糊以及形状变化较大，这就使得肝脏分割难度高。因此基于CT图像的肝脏器官分割是一项具有挑战性的任务。

肝脏自动分割主要通过以下三种方法解决：1)传统图像分割方法：利用诸如灰度、纹理等浅层特征完成分割任务。但是，这也导致传统方法对噪声像素的敏感度相对较高，并且对于更深层的图像特征，传统图像分割方法难以做到很好地利用。2)机器学习方法：从大规模数据中分析数据模式。但是，大部分机器学习算法都需要经过精心设计人工图像特征，特征的表达以及最终的分割结果也都受制于特征的选取方式。3)深度学习方法：不需要额外的中间过程就能提取到更多、更抽象的特征，并根据结果不断调整特征的选取方式，大大提高了准确率。现有深度学习方法分割结果通常好于传统图像处理方法，但对于肝脏及肝脏肿瘤分割而言仍有不足，对于肝脏及肝肿瘤CT图像内表现出边界模糊、位置多变等相关特征的考虑有所欠缺。深度学习方法在下采样时很多提取的特征对分割结果起到很小作用甚至无作用，这些特征并未进行弱化处理，与分割关键特征进行同等表达，并不利于分割结果。并且传统U-Net跳跃链接方式会导致语义鸿沟造成特征不匹配问题，部分多尺度模型方法未充分考虑特征间的关联，从而影响分割模型性能。

发明内容

为了解决上述提到的问题，本发明提供了一种基于全局自注意力与多尺度特征融合的肝脏CT图像分割方法，本发明选取使用分组卷积的ResNeXt作为图像特征提取网络，在不增加计算时间的情况下获得更多的图像特征。针对肝脏器官边界模糊的问题，通过多尺度架构提取并融合不同尺度特征的方式解决。并且由于在CT图像中肝脏器官与其他器官之间必定存在一定联系，引入自注意力机制来捕获提取特征之间的联系。最后通过改进注意力方法的残差卷积块融合这些特征，使这些特征更好地表达，从而得到更好的肝脏分割结果。

本发明的技术方案是：基于全局自注意力与多尺度特征融合的肝脏CT图像分割方法，所述方法的具体步骤如下：

Step1、图像预处理：对LiTS数据集中的CT图像按照HU值范围进行处理来增加对比度，采用随机翻转等方式来扩充数据集。

Step2、获取同一维度特征和多尺度特征：经Step1预处理操作之后，利用ResNeXt卷积神经网络提取图像特征，通过线性变换得到统一维度的卷积特征和基于该卷积特征的多尺度特征。

Step3、得到全局自注意力融合特征：以Step2获得的多尺度特征，通过全局自注意力模块(Non-Local)得到包含全局信息的自注意力融合特征，以捕获目标特征与周围特征间的关系。