[发明专利]一种用于结直肠癌肝转移瘤识别的小目标分割方法

说明书

本发明公开了一种用于结直肠癌肝转移瘤识别的小目标分割方法，方法包括：用卷积提取肝转移瘤医学图像的视觉特征表示，用最大池化对视觉特征进行下采样处理；进行深度特征编码处理；将深度特征编码处理的最后编码特征送入多尺度注意力模块处理后，将深度特征编码处理的中间编码特征送入层级信息交融模块处理，得到第一特征；将第一特征与对应的解码特征进行跳跃连接操作，得到第二特征；用转置卷积对第二特征进行上采样操作；进行连续解码，得到第三特征；用1×1卷积压缩通道用Sigmoid对第三特征激活得到预测图。本发明提高了分割预测的准确率，并提高了编码和解码之间的兼容性，可广泛应用于计算机技术领域。

技术领域

本发明涉及计算机技术领域，尤其是一种用于结直肠癌肝转移瘤识别的小目标分割方法。

背景技术

检测肝转移瘤的常用方法之一是医学成像，基于医学成像的放射研究需要由放射科医生进行病灶的标记。然而，标记目标需要花费大量时间。随着深度学习的快速发展，卷积神经网络(CNN)被应用于医学研究，帮助放射科医生标记目标是其中之一。然而，许多模型的特征提取能力有限，简单的跳跃连接可能会造成信息不兼容，导致模型的分割性能不好。

目前肝转移瘤的医学分割存在一些挑战：首先，肝转移瘤边缘不明显、部分病灶较小以及模糊，在编码时可能会因为下采样和池化而丢失病灶的关键信息；其次，存在一些血管的组织结构看起来与肝转移瘤很像，增加了分割的难度；第三，医学图像通常对比度低、亮度低，语义信息较少。

发明内容

有鉴于此，本发明实施例提供一种准确度更高的小目标分割方法、装置及可读存储介质，以提高编码和解码之间的兼容性。

本发明实施例的一方面提供了一种用于结直肠癌肝转移瘤识别的小目标分割方法，包括：

用卷积提取肝转移瘤医学图像的视觉特征表示，用最大池化对所述视觉特征进行下采样处理；

重复进行所述卷积提取和所述下采样处理后，进行深度特征编码处理；

将所述深度特征编码处理的最后编码特征送入多尺度注意力模块处理后，将所述深度特征编码处理的中间编码特征送入层级信息交融模块处理，得到第一特征；

将所述第一特征与对应的解码特征进行跳跃连接操作，得到第二特征；

用转置卷积对所述第二特征进行上采样操作；

重复进行所述跳跃连接操作和所述上采样操作后，通过连续解码得到第三特征；

用1×1卷积压缩通道用Sigmoid对所述第三特征激活得到预测图。

可选地，所述用卷积提取肝转移瘤医学图像的视觉特征表示，用最大池化对所述视觉特征进行下采样处理，包括：

用卷积提取肝转移瘤医学图像中病灶形状信息、大小信息、位置信息，进而获得肝转移瘤医学图像中的视觉特征表示；

利用最大池化对所述视觉特征进行降维处理，去除所述视觉特征的冗余信息；

对所述视觉特征进行压缩处理，提取最能代表肝转移瘤病灶的特征信息。

可选地，所述进行深度特征编码处理，包括：

通过卷积、批标准化、RELU激活函数以及最大池化，对一张待分割的肝转移瘤医学图像进行连续编码，得到深度特征编码处理的结果；

其中，所述连续编码的表达式为：

其中，x代表输入图像，代表最大池化操作，CBR()代表卷积、批标准化以及RELU激活函数的组合操作，y_encoder代表编码结果。

可选地，所述方法还包括通过层级信息交融模块阻碍无效信息传递，该步骤具体包括：