基于多注意力机制的脑肿瘤MRI图像分割方法及系统与流程

本技术涉及医学图像分割，尤其涉及基于多注意力机制的脑肿瘤mri图像分割方法及系统。

背景技术：

1、脑肿瘤是神经外科中最常见的中枢神经系统恶性肿瘤，会影响周围神经组织并危及生命健康安全。目前，磁共振成像技术(mri)已广泛地应用于脑肿瘤的诊断和治疗中，对脑肿瘤mri图像进行自动准确地分割对制定手术方案和放疗计划具有重要意义，根据呈像弛豫时间，可分为t1序列、t1ce序列、t2序列和flair序列。目前常用的脑肿瘤mri数据集有msd(medical segmentation decathlon)挑战赛数据集，根据肿瘤形态学特征的不同，可分为水肿、非增强肿瘤、增强肿瘤区域。unet作为医学图像分割领域应用最广泛的网络，凭借着对称的编-解码器结构和跳跃连接来恢复细节特征，具有优秀的分割性能。但脑肿瘤分割任务不同于其他医学图像分割任务，脑肿瘤在mri图像中病变区域的位置和大小常呈现不规则变化，并且不同病例的肿瘤位置也会有明显的尺寸变化。以往对unet网络的改进通常在编码器、解码器的一条路径上，这并没有充分学习不同尺度特征，且对通道和空间两个维度信息利用不足，导致对mri图像肿瘤区域边界识别不够清晰。

2、综上，相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出一种基于多注意力机制的脑肿瘤mri图像分割方法及系统，能够自适应地学习尺度特征的重要性权重以及充分利用通道和空间两个维度信息，进而提高脑肿瘤mri图像进行各肿瘤区域及边界的分割精度。

2、为实现上述目的，本技术实施例的一方面提出了一种基于多注意力机制的脑肿瘤mri图像分割方法，所述方法包括：

3、获取脑肿瘤mri源图像数据集并进行数据预处理，得到预处理后的脑肿瘤mri源图像数据集；

4、基于unet神经网络结构，引入多尺度特征融合模块与通道空间多重注意力模块，构建脑肿瘤mri分割网络模型；

5、基于所述脑肿瘤mri分割网络模型对所述预处理后的脑肿瘤mri源图像数据集进行图像分割处理，得到分割后的脑肿瘤mri图像。

6、在一些实施例中，所述获取脑肿瘤mri源图像数据集并进行数据预处理，得到预处理后的脑肿瘤mri源图像数据集，包括：

7、获取脑肿瘤mri源图像数据集；

8、对所述脑肿瘤mri源图像数据集进行归一化处理，得到归一化后的脑肿瘤mri源图像数据集；

9、对所述归一化后的脑肿瘤mri源图像数据集进行数据清洗处理，得到清洗后的脑肿瘤mri源图像数据集；

10、对所述清洗后的脑肿瘤mri源图像数据集进行样本增广处理，得到所述预处理后的脑肿瘤mri源图像数据集。

11、在一些实施例中，所述脑肿瘤mri分割网络模型包括编码器模块、多尺度特征融合模块、通道空间多重注意力模块与解码器模块，所述编码器模块的输出端与所述多尺度特征融合模块的输入端连接，所述多尺度特征融合模块的输出端与所述通道空间多重注意力模块的第一输入端连接，所述通道空间多重注意力模块的输出端与所述解码器模块的输入端连接，所述解码器模块的输出端与所述通道空间多重注意力模块的第二输入端连接，其中：

12、所述编码器模块具有若干编码器，若干所述编码器之间通过跳跃连接；

13、所述解码器模块具有若干解码器，若干所述解码器之间通过跳跃连接。

14、在一些实施例中，所述多尺度特征融合模块包括拼接卷积压缩层、第一通道、第二通道、第一激活函数层与尺度注意力模块，所述拼接卷积压缩层的输入端分别与所述第一通道的输入端与所述第二通道的输入端连接，所述第一通道的输出端、所述第二通道的输出端均与所述第一激活函数层的输入端连接，所述第一激活函数层的输出端与所述尺度注意力模块的输入端连接，其中：

15、所述第一通道包括平均池化层与第一多层感知机层；

16、所述第二通道包括最大池化层与第二多层感知机层；

17、所述尺度注意力模块包括第一卷积层、第二卷积层和第二激活函数层。

18、在一些实施例中，所述通道空间多重注意力模块包括第一坐标注意力模块、第一空间注意力模块、第二坐标注意力模块、第二空间注意力模块、第三卷积层与第三激活函数层，所述第一坐标注意力模块的输出端与所述第一空间注意力模块的输入端连接，所述第二空间注意力模块的输出端与所述第二坐标注意力模块的输入端连接，所述第一空间注意力模块的输出端、所述第二坐标注意力模块的输出端均与所述第三卷积层的输入端连接，所述第三卷积层的输出端与所述第三激活函数层的输入端连接，其中：

19、所述第一坐标注意力模块与所述第二坐标注意力模块具有相同的结构，均包括第一平均池化层、第二平均池化层、第三平均池化层、三维卷积拼接层、标准化层、第一三维卷积层、第二三维卷积层与第三三维卷积层；

20、所述第一空间注意力模块与所述第二空间注意力模块具有相同的结构，均包括第四卷积层、第五卷积层和第六卷积层。

21、在一些实施例中，所述脑肿瘤mri分割网络模型的损失函数包括加权交叉熵损失函数与dice损失函数，所述脑肿瘤mri分割网络模型的损失函数的表达式具体如下所示：

22、l＝lw+ld

23、

24、上式中，l表示脑肿瘤mri分割网络模型的损失函数，lw表示加权交叉熵损失函数，ld表示dice损失函数，i表示标签序号，i表示总的标签数，wi表示第i个标签的权重，li表示第i个标签的真实标签值，fi表示第i个标签的模型预测值。

25、在一些实施例中，所述基于所述脑肿瘤mri分割网络模型对所述预处理后的脑肿瘤mri源图像数据集进行图像分割处理，得到分割后的脑肿瘤mri图像，包括：

26、将所述预处理后的脑肿瘤mri源图像数据集输入至所述脑肿瘤mri分割网络模型；

27、基于所述脑肿瘤mri分割网络模型的编码器模块，对所述预处理后的脑肿瘤mri源图像数据集进行特征提取与融合处理，输出脑肿瘤mri跨层特征图与脑肿瘤mri对应层特征图；

28、基于所述脑肿瘤mri分割网络模型的多尺度特征融合模块，对所述脑肿瘤mri跨层特征图与所述脑肿瘤mri对应层特征图进行不同尺度自适应学习，得到多尺度特征权重系数；

29、基于所述脑肿瘤mri分割网络模型的通道空间多重注意力模块，根据所述多尺度特征权重系数对所述脑肿瘤mri对应层特征图与解码器特征进行多通道特征提取，得到脑肿瘤mri多通道特征图；

30、基于所述脑肿瘤mri分割网络模型的解码器模块，对所述脑肿瘤mri对应层特征图进行解码获取所述解码器特征再结合所述脑肿瘤mri多通道特征图进行映射，得到所述分割后的脑肿瘤mri图像。

31、在一些实施例中，所述基于所述脑肿瘤mri分割网络模型的多尺度特征融合模块，对所述脑肿瘤mri跨层特征图与所述脑肿瘤mri对应层特征图进行不同尺度自适应学习，得到多尺度特征权重系数，包括：

32、将所述脑肿瘤mri跨层特征图与所述脑肿瘤mri对应层特征图输入至所述脑肿瘤mri分割网络模型的多尺度特征融合模块；

33、基于所述多尺度特征融合模块的拼接卷积压缩层，对所述脑肿瘤mri跨层特征图与所述脑肿瘤mri对应层特征图进行拼接与压缩处理，得到脑肿瘤mri混合特征图；

34、基于所述多尺度特征融合模块的第一通道，对所述脑肿瘤mri混合特征图进行系数特征提取处理，得到第一系数；

35、基于所述多尺度特征融合模块的第二通道，对所述脑肿瘤mri混合特征图进行系数特征提取处理，得到第二系数；

36、基于所述多尺度特征融合模块的第一激活函数层，对所述第一系数与所述第二系数进行结合映射，得到通道系数；

37、将所述通道系数与所述脑肿瘤mri混合特征图进行相乘计算并输入至所述多尺度特征融合模块的尺度注意力模块进行卷积处理，得到特征尺度系数；

38、将所述特征尺度系数与所述脑肿瘤mri混合特征图进行结合，得到所述多尺度特征权重系数。

39、在一些实施例中，所述基于所述脑肿瘤mri分割网络模型的通道空间多重注意力模块，根据所述多尺度特征权重系数对所述脑肿瘤mri对应层特征图与解码器特征进行多通道特征提取，得到脑肿瘤mri多通道特征图，包括：

40、将所述脑肿瘤mri对应层特征图与所述解码器特征输入至所述脑肿瘤mri分割网络模型的通道空间多重注意力模块；

41、基于所述通道空间多重注意力模块的第一坐标注意力模块，对所述脑肿瘤mri对应层特征图进行坐标注意力特征提取处理，得到编码器坐标特征；

42、将所述编码器坐标特征与所述解码器特征结合并输入至所述通道空间多重注意力模块的第一空间注意力模块进行空间特征提取，得到第一多通道特征图；

43、基于所述通道空间多重注意力模块的第二空间注意力模块，对所述脑肿瘤mri对应层特征图与所述解码器特征进行空间特征提取，得到解码器空间特征；

44、将所述解码器空间特征与所述脑肿瘤mri对应层特征图进行结合并输入至所述通道空间多重注意力模块的第二坐标注意力模块进行坐标注意力特征提取处理，得到第二多通道特征图；

45、将所述第一多通道特征图与所述第二多通道特征图进行结合并输入至所述通道空间多重注意力模块的第三卷积层与第三激活函数层进行卷积映射，得到所述脑肿瘤mri多通道特征图。

46、为实现上述目的，本技术实施例的另一方面提出了一种基于多注意力机制的脑肿瘤mri图像分割系统，所述系统包括：

47、第一模块，用于获取脑肿瘤mri源图像数据集并进行数据预处理，得到预处理后的脑肿瘤mri源图像数据集；

48、第二模块，用于基于unet神经网络结构，引入多尺度特征融合模块与通道空间多重注意力模块，构建脑肿瘤mri分割网络模型；

49、第三模块，用于基于所述脑肿瘤mri分割网络模型对所述预处理后的脑肿瘤mri源图像数据集进行图像分割处理，得到分割后的脑肿瘤mri图像。

50、本技术实施例至少包括以下有益效果：本技术提供一种基于多注意力机制的脑肿瘤mri图像分割方法及系统，该方案通过获取脑肿瘤mri源图像数据集并进行数据预处理，得到预处理后的脑肿瘤mri源图像数据集，进而基于unet神经网络结构，引入多尺度特征融合模块与通道空间多重注意力模块，构建脑肿瘤mri分割网络模型，通过多尺度特征融合模块学习不同层次、尺度的特征，通过尺度注意力自适应地学习尺度特征的重要性权重，使模型感知到不同尺度特征与不同大小肿瘤区域之间的相关性，提高网络对肿瘤特征的学习能力，通过通道空间多重注意力模块在通道、空间两个维度学习特征的重要性系数，抑制不相关特征的表达并突出重要特征，最后基于脑肿瘤mri分割网络模型对预处理后的脑肿瘤mri源图像数据集进行图像分割处理，得到分割后的脑肿瘤mri图像，提高脑肿瘤mri图像进行各肿瘤区域及边界的分割精度。