基于多级特征交互融合的CT图像气胸病灶区域识别方法

本发明涉及ct图像病灶识别，尤其涉及一种基于多级特征交互融合的ct图像气胸病灶区域识别方法。

背景技术：

1、气胸智能识别能够为临床医生提供准确、快速的诊断辅助工具，从而改善患者的健康状况和生活质量。通过开发准确的算法和模型，智能识别可以快速准确地在医学影像中检测和诊断气胸，并大大缩短诊断时间，减轻医生负担。智能识别技术的应用还有助于降低治疗成本，避免不必要的治疗和医疗费用。

2、cnn已被广泛应用于医学图像的病灶识别。u-net采用端到端的网络形式，编码器采用卷积层和池化层，分层提取图像的局部特征。解码器采用上采样操作，将特征图恢复到原始图像的尺寸。为了提升医学图像分割任务的精度，通过跳跃连接，将编码器的特征图与解码器的特征图相融合，从而保留更多的细节信息。u-net中的这种跳跃连接，大幅度减少了带标签的训练集。后续的u-net变种，如u-net++，通过加入密集连接方式重新设计了编码器-解码器结构。unet3+，通过全尺度跳跃连接方式，将来自不同尺度特征图的低级细节与高级语义相结合的一种编码器-解码器结构。这些模型通过捕获目标特征以及位置信息对目标区域进行分割，在医学图像分割领域取得了一定的效果。但是，针对复杂的胸部ct图像，现有模型没有充分融合气胸的多级病灶特征，其识别精度还有进一步提升空间。

3、因此，如何融合胸部ct图像气胸的多级病灶特征，提升气胸的识别精度成为了本领域技术人员急需解决的问题。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种基于多级特征交互融合的ct图像气胸病灶区域识别方法，用以解决现有技术针对胸部ct图像气胸病灶区域识别存在计算资源消耗高、识别处理效率低、识别准确性不佳等问题。

2、为解决上述技术问题，本发明采用了如下的技术方案：

3、基于多级特征交互融合的ct图像气胸病灶区域识别方法，获取待测胸部ct图像，输入至经过预先训练的气胸病灶区域识别网络模型，得到待测胸部ct图像中的气胸病灶区域识别结果；

4、所述气胸病灶区域识别网络模型包括下采样特征提取模块、双注意力多级融合模块、卷积上采样模块和分割头模块；

5、所述下采样特征提取模块用于通过卷积下采样处理对待测胸部ct图像进行多级下采样，并分别进行交互增强处理后，分别提取各个不同下采样层级的全局特征图和局部特征图；

6、所述双注意力多级融合模块用于采用高效注意和交叉注意的双注意力结构分别提取各个不同下采样层级的全局特征图中的全局语义特征以及局部特征图之间的交叉注意力特征，并通过加权融合得到各下采样层级的注意力加权融合特征图；

7、所述卷积上采样模块用于对各下采样层级的注意力加权融合特征图进行逐层上采样，得到上采样恢复图像；

8、所述分割头模块用于对卷积上采样模块输出的上采样恢复图像进行区域分割，得到待测胸部ct图像中的气胸病灶区域分割结果，并与待测胸部ct图像进行合成，输出合成结果作为ct图像气胸病灶区域识别结果。

9、作为优选方案，所述下采样特征提取模块包括卷积下采样单元、群体感受野单元和全局及局部特征提取单元；

10、所述卷积下采样单元用于对待测胸部ct图像进行多级的卷积下采样处理，得到多级不同的下采样特征图；

11、所述群体感受野单元(rfb)用于对各级的下采样特征图分别进行特征增强处理，并对增强后的下采样特征图进行逐级的图像合并，得到各下采样层级的交互增强特征图；

12、所述全局及局部特征提取单元(glfe)用于分别从各下采样层级的交互增强特征图中提取相应的全局特征图和局部特征图。

13、作为优选方案，所述双注意力多级融合模块包括高效注意力单元、交叉注意力单元和融合单元；

14、所述高效注意力单元用于对各下采样层级的全局特征图分别进行降维归一化处理后提取其中的全局语义特征，然后分别与同一下采样层级的局部特征图进行融合，得到各下采样层级的全局语义特征图；

15、所述交叉注意力单元用于对各下采样层级的局部特征图分别进行基于通道维度的全局平均池化处理后，将全局平均池化结果进行维度映射，并与相邻的上一个采样层级的局部特征图的多头注意力计算结果进行叠加，最后与同一下采样层级的局部特征图进行融合，得到各相应下采样层级的交叉注意力特征图；

16、所述融合单元用于分别对每个下采样层级的全局语义特征图和交叉注意力特征图进行加权融合，获得各下采样层级的注意力加权融合特征图。

17、作为优选方案，所述卷积上采样模块包括拼接单元和上采样卷积单元；

18、所述拼接单元用对将每个下采样层级的注意力加权融合特征图的上采样结果与相邻上一个下采样层级的注意力加权融合特征图进行拼接，得到拼接特征图；

19、所述上采样卷积单元用于对最下层的下采样层级的注意力加权融合特征图进行上采样处理，以及对其他下采样层级拼接特征图进行上采样处理，进而将最上一个下采样层级的拼接特征图进行上采样处理后得到的上采样结果作为卷积上采样模块输出的上采样恢复图像。

20、作为优选方案，所述分割头模块包括病灶区域分割单元和图像合成单元；

21、所述病灶区域分割单元用于对卷积上采样模块输出的上采样恢复图像进行区域分割，得到待测胸部ct图像中的气胸病灶区域分割结果；

22、所述图像合成单元用于将待测胸部ct图像中的气胸病灶区域分割结果与待测胸部ct图像进行合成，输出合成结果图像，作为ct图像气胸病灶区域识别结果。

23、作为优选方案，所述气胸病灶区域识别网络模型通过如下方式进行训练：

24、将预先完成气胸病灶区域标签的标记处理的胸部样本ct图像作为训练样本，构成训练样本集，输入至气胸病灶区域识别网络模型，通过气胸病灶区域识别网络模型处理得到训练样本的气胸病灶区域识别结果；根据训练样本的气胸病灶区域识别结果和气胸病灶区域标签计算训练损失，并根据训练损失优化气胸病灶区域识别网络模型的参数，直至气胸病灶区域识别网络模型收敛，得到经过训练的气胸病灶区域识别网络模型。

25、作为优选方案，在气胸病灶区域识别网络模型的训练中，通过如下公式计算训练损失：

26、ltotal＝lce+λldice；

27、

28、

29、其中，ltotal表示总损失函数，lce表示交叉熵损失，ldice表示dice损失；gi表示第i个胸部样本ct图像中气胸病灶区域的真实标签值，pi表示气胸病灶区域识别网络模型识别输出的第i个胸部样本ct图像中气胸病灶区域的识别结果值，i∈{1,2,…,n}，n表示训练样本集中的胸部样本ct图像总数量；λ为预设的权重系数。

30、相比于现有技术，本发明的有益效果在于：

31、1、本发明采用基于多级特征交互融合的气胸病灶区域识别网络模型对胸部ct图像中的气胸病灶区域进行识别，得到识别结果，该气胸病灶区域识别网络模型先通过对胸部ct图像进行多级下采样和交互增强处理后，分别提取各个不同下采样层级的全局特征图和局部特征图，然后采用高效注意和交叉注意的双注意力结构分别提取各个不同下采样层级的全局特征图中的全局语义特征以及局部特征图之间的交叉注意力特征，并通过加权融合得到各下采样层级的注意力加权融合特征图，最后进行逐层上采样后加以区域分割，得到胸部ct图像中的气胸病灶区域识别结果；该方法强化了ct图像中的全局和局部区域特征，并大幅降低了注意力机制的计算复杂性，降低了对计算资源的消耗，提高了计算识别处理效率，并通过实验验证能够兼顾获得优秀的识别准确性，很好的解决了计算能效不佳、识别处理效率低、识别速度与准确性难以兼顾的问题。

32、2、本发明通过交叉熵损失和dice损失联合训练气胸病灶区域识别网络模型，能够提高气胸病灶区域识别网络模型的训练效果和识别性能。

33、3、本发明方法能够快速、准确的实现对ct图像中气胸病灶区域的识别和提取，具有很好的技术推广应用价值。