一种基于ghostnet的轻量级医学图像分割方法及系统

本发明涉及自图像分割，具体涉及一种基于ghostnet的轻量级医学图像分割方法及系统。

背景技术：

1、医学图像分割的目的是使图像中解剖或病理结构的变化更加清晰；它在计算机辅助诊断和智能医疗中发挥着至关重要的作用，极大地提高了诊断的效率和准确性。目前流行的医学图像分割任务包括肝脏和肝脏肿瘤分割，脑和脑肿瘤分割，视盘分割，细胞分割，肺分割和肺结节等。

2、2015年olaf ronneberger等提出了unet网络模型，其基于编码器-解码器结构，并应用长距离跳跃连接结合来自底层的细节，有效的弥补了因下采样操作过程中空间信息缺失，帮助网络恢复更加精确的定位，这对于医学图像分割、遥感图像分割以及抠图这种对细节非常看重的密集型分割任务来说是至关重要的。

3、为了追求精度的提升，一些基于unet网络修改的模型拥有更深的卷积层，但是参数量往往不乐观，计算复杂，推理缓慢。在进行一些数据样本较少的分割任务时往往效果不佳。而且由于模型参数量过多，占用大量显存，成本过高，效率低，导致必须要有较好的外部条件才能使用这些神经网络进行训练。

技术实现思路

1、发明目的：为了克服现有技术的不足，本发明提供一种基于ghostnet的轻量级医学图像分割方法，该方法解决了上述的技术问题，并提供一种基于ghostnet的轻量级医学图像分割系统。

2、技术方案：本发明的一方面，提供基于ghostnet的轻量级医学图像分割方法，包括以下步骤：

3、构建图像分割模型，其采用改进的unet网络模型ghsotnet作为主干特征提取网络，包括：编码器，解码器和cbam注意力机制；

4、首先，将待分割图像输入到编码器进行编码，得到多个通道数的子特征图，所述编码器一共由六层编码层组成，分别为卷积层，ghostbottleneck1，ghostbottleneck2，ghostbottleneck3，ghostbottleneck4，ghostbottleneck5，通过编码器对待分割图片进行编码，得到通道数分别为16，24，40，112，160的子特征图e1～e5；

5、其次，将子特征图e1～e4分别输入至对应的cbam注意力机制通道中，分别得到子特征图e1'～e4'，e5经过上采样得到m5，m5与e4'在通道维度上拼接，经过第四层解码层输出大小为m4的特征图，其再与e3'进行拼接，经过第三层解码层输出大小为m3的特征图，其与e2'进行拼接，经过第二层解码层输出大小为m3的特征图，其与e1'进行拼接，经过第一层解码层输出大小为m2的特征图，最后通过1*1的卷积核调整图片通道数，将通道数调整为分割目标数num_classes输出最终特征图p0；

6、显示分割后的结果图。

7、进一步的，包括：

8、所述ghsotnet还包括：ghostbottleneck1～ghostbottleneck 5的分别由2，2，2，6，5个ghostbottleneck构成。

9、进一步的，包括：

10、所述ghostbottleneck对输入数据进行l次非线性化操作，l为ghostbottleneck的个数，所述非线性化操作包括：

11、若步数stride＝2时，对输入特征图t1依次进行ghostmodule，bn,relu激活，逐通道卷积，bn，ghostmodule，bn，最后得到特征图t2，再将输入特征图t1与特征图t2相加得到输出特征图t3；

12、若stride＝1时，对输入特征图t1进行ghostmodule，bn，relu激活，ghostmodule，bn得到特征图t2，再将输入特征图t1和特征图t2相加得到输出特征图t3，所述ghostmodule包括基本卷积和逐通道卷积，并在通道数上相加。

13、进一步的，包括：

14、cbam注意力机制包括：

15、通道注意力：输入的特征图大小为h×w×c，在分别经过全局最大池化和全局平均池化之后，输出结果为两个c×1×1的特征图；再将它们一起输入到一个共用的多层感知机，将特征图先降维再升维，再将两张输出的特征图相加，经过sigmoid激活函数归一化特征图的每个通道的权重，将归一化后的权重和输入特征图相乘；

16、空间注意力：对通道注意力输出的特征图进行处理，分别进行全局最大池化和全局平均池化，将输出的两张特征图在通道数上进行连接，再用1×1卷积调整通道数，最后经过sigmoid函数归一化权重，最后将归一化权重和输入特征图相乘。

17、进一步的，包括：

18、所述解码层依次包括：dsc-ghost卷积块，bn，relu激活，dsc-ghost卷积块，bn，relu激活和上采样，所述dsc-ghost卷积块流程包括输入特征图t1经过1*1卷积核卷积，bn和relu激活得到特征图t2，输入特征图t1经过基本卷积，bn和relu激活得到特征图t3，输入特征图t1经过逐通道卷积，bn，relu激活，逐点卷积，bn，relu激活得到特征图t4，将t3，t4在通道维度上相加得到特征图t5，t5经过挤压和激励网络机制得到特征图t6，将特征图t2和t6相加得到输出特征图t7。

19、进一步的，包括：

20、所述挤压和激励网络包括：

21、挤压网络部分：将一张特征图压缩成一维，当一开始的特征图维度是c*h*w，c为通道数，h和w为图片的高和宽，挤压网络通过全局平均池化将特征图压缩成c*1*1的大小；

22、激励网络部分：得到挤压网络部分的c*1*1的表示后，加入一个fc全连接层，对每个通道的重要性进行预测，得到不同通道的重要性大小，后再激励到之前的特征图的对应通道上进行操作。

23、另一方面，本发明一种基于ghostnet的轻量级医学图像分割系统，该系统包括以下模块：

24、图像获取模块，用于获取需要分割的医学图像

25、图像分割模型构建模块，用于采用改进的unet网络模型ghsotnet作为主干特征提取网络，包括：编码器，解码器和cbam注意力机制；

26、首先，将待分割的医学图像输入到编码器进行编码，得到多个通道数的子特征图，所述编码器一共由六层编码层组成，分别为卷积层，ghostbottleneck1，ghostbottleneck2，ghostbottleneck3，ghostbottleneck4，ghostbottleneck5，通过编码器对待分割图片进行编码，得到通道数分别为16，24，40，112，160的子特征图e1～e5；

27、其次，将子特征图e1～e4分别输入至对应的cbam注意力机制通道中，分别得到子特征图e1'～e4'，e5经过上采样得到m5，m5与e4'在通道维度上拼接，经过第四层解码层输出大小为m4的特征图，其再与e3'进行拼接，经过第三层解码层输出大小为m3的特征图，其与e2'进行拼接，经过第二层解码层输出大小为m3的特征图，其与e1'进行拼接，经过第一层解码层输出大小为m2的特征图，最后通过1*1的卷积核调整图片通道数，将通道数调整为分割目标数num_classes输出最终特征图p0；

28、显示模块，用于显示分割后的结果图。

29、有益效果：与现有技术相比，本发明的显著优点在于：

30、本发明提出一种轻量级的分割网络gaunet，拥有更快的推理速度，更少的参数量，获得了更好的分割水平。gaunet的轻量性、准确性以及高效率可以很好的适用于绝大部分机器，有非常好的良性市场前景。且该分割方法可以应用于医院以及医疗机构中，使图像中解剖或病理结构的变化更加清晰；它在计算机辅助诊断和智能医疗中发挥着至关重要的作用，极大地提高了诊断的效率和准确性。