技术特征：
1.一种基于多尺度类间的肿瘤及周围器官的分割方法，其特征在于，mri图像送入预处理，对图像进行强度归一化以及直方图均衡化，把整个图像分成数量的小块像素进行非线性拉伸，使局部的灰度直方图均匀分布；将预处理过后的图像作为输入图像缩放输入至定位网络，定位出目标区域，然后在输入图像中裁剪出以目标为中心的图像，增大前景像素的占比，之后将所裁剪出的目标区域输入分割网络模型中进一步分割获得完整分割结果。2.根据权利要求1所述基于多尺度类间的肿瘤及周围器官的分割方法，其特征在于，所述分割网络模型为基于多尺度特征信息的注意力分割网络模型csa-u-net，在由卷积层、下采样的最大池化层、上采样的反卷积层以及relu非线性激活函数组成的u-net基础上，增加注意力门控模块和多尺度的特征信息损失计算，在u-net的跳跃连接中加入注意力门控模块，将解码器中较粗尺度l-1层的卷积特征作为门控信号来选择编码器l层中特征图的空间区域，即在全局范围计算注意力系数以识别显著图像区域，并修剪特征响应以仅保留与特定任务相关的激活；然后再将经过筛选的特征图与相应l层解码器精细密集预测特征图拼接融合，以更好地辅助解码器进行目标定位与恢复；利用多尺度信息，在解码阶段导出不同尺度的特征图进行预测，即在计算损失函数的过程中嵌入不同尺度的空间语义信息，以更好地监督模型的训练。3.根据权利要求2所述基于多尺度类间的肿瘤及周围器官的分割方法，其特征在于，所述csa-u-net的训练方法：注意力门控模块从下采样逐级获得高维特征，注意力门控模块输出的所有多尺度均会通过上采样得到与输入图像大小相同的分割概率图，然后插入不同尺度空间语义信号后与手工标注图通过损失函数计算偏差差的大小，将这些损失值相加在一起从而进行反向传播，更新网络权重。4.根据权利要求3所述基于多尺度类间的肿瘤及周围器官的分割方法，其特征在于，所述损失函数采用交叉熵损失函数与基于wasserstein距离的类间损失函数的结合，公式如下：下：其中n为像素总数，类别集合l＝{l|l＝0,1,...,k}，类别集合中元素个数为|l|；i表示第i个体素，l表示第l个类别，0表示背景类别，p表示预测向量，g表示所有体素的真实独热向量，g
i
表示第i个体素的真实one-hot向量，表示第i个体素第l个类别的真实值，w()表示wasserstein距离计算；θ是控制参数，不同类别的体素总量的倒数作为权重，用于衡量不同类别的贡献，即体素总量越多，权重越小，该权重使得在类别不平衡的情况下，体素占比小的类别会被模型更加关注，且背景体素并不会参与到最终的计算当中，因为其权重为0。5.根据权利要求2至5中任意一项所述基于多尺度类间的肿瘤及周围器官的分割方法，其特征在于，所述嵌入不同尺度的空间语义信息时，采用三阶样条插值法将所有体素重新采样为统一大小。
6.根据权利要求3或4所述基于多尺度类间的肿瘤及周围器官的分割方法，其特征在于，所述csa-u-net的训练采用优化算法adabound进行迭代优化，权重不断更新，损失值逐渐下降，最终训练完成目标任务的分割网络模型。7.根据权利要求6所述基于多尺度类间的肿瘤及周围器官的分割方法，其特征在于，所述在每次训练迭代中包括随机旋转，剪切，缩放和翻转操作的随机变换以增强数据。8.一种用于肿瘤及周围器官的分割的分割网络模型，其特征在于，在由卷积层、下采样的最大池化层、上采样的反卷积层以及relu非线性激活函数组成的u-net基础上，增加注意力门控模块和多尺度的特征信息损失计算，在u-net的跳跃连接中加入注意力门控模块，将解码器中较粗尺度l-1层的卷积特征作为门控信号来选择编码器l层中特征图的空间区域，即在全局范围计算注意力系数以识别显著图像区域，并修剪特征响应以仅保留与特定任务相关的激活；然后再将经过筛选的特征图与相应l层解码器精细密集预测特征图拼接融合，以更好地辅助解码器进行目标定位与恢复；利用多尺度信息，在解码阶段导出不同尺度的特征图进行预测，即在计算损失函数的过程中嵌入不同尺度的空间语义信息，以更好地监督模型的训练。
技术总结
本发明涉及一种基于多尺度类间的肿瘤及周围器官的分割方法，MRI图像送入预处理，对图像进行强度归一化以及直方图均衡化，把整个图像分成数量的小块像素进行非线性拉伸，使局部的灰度直方图均匀分布；将预处理过后的图像作为输入图像缩放输入至定位网络，定位出目标区域，然后在输入图像中裁剪出以目标为中心的图像，增大前景像素的占比，之后将所裁剪出的目标区域输入分割网络模型中进一步分割获得完整分割结果。本发明方法可以更好地定位感兴趣区域；有效地融合局部上下文和全局上下文信息；损失函数中融入了类间关系，更好地利用推理时标签的概率向量；提升了体素占比较少的肿瘤类别的精度。瘤类别的精度。瘤类别的精度。
技术研发人员：许剑民 章琛曦 裘茗烟 郑鹏 冯青阳 宋志坚 吉美玲
受保护的技术使用者：复旦大学附属中山医院
技术研发日：2022.05.26
技术公布日：2022/9/15