一种医学图像分割方法、系统、电子设备及存储介质

本技术涉及图像分割，尤其是涉及一种医学图像分割方法、系统、电子设备及存储介质。

背景技术：

1、传统上，医生主要依靠经验和人工方法对肿瘤进行识别和划分，然而该方法存在许多的局限性，耗时间耗人力且精度不高。因而，利用电脑技术和医学成像设备进行自动化肿瘤分割的技术不断发展，以提高诊断的精准性和效率。

2、近年来，在深度学习领域，以卷积神经网络（cnn）为代表的深度学习模型在医学图像分割领域逐步开展，并取得了显著的进步和发展，但由于肿瘤图像的形态和位置具有高度的变异性，目前的深度学习模型在复杂背景和边界模糊的情况下对肿瘤图像分割不够精准。

技术实现思路

1、本技术旨在提出一种医学图像分割方法、系统、电子设备及存储介质，能够提高医学图像分割的精确度。

2、第一方面，本技术实施例提供了一种医学图像分割方法，所述方法包括：

3、获取待分割医学图像；

4、提取所述待分割医学图像的特征图，并获取所述特征图的多个候选感兴趣区域；

5、对所述多个候选感兴趣区域进行筛选，得到目标感兴趣区域；

6、将所述目标感兴趣区域对齐到所述特征图上，得到感兴趣区域特征图；

7、将所述感兴趣区域特征图输入至混合注意力机制中，得到注意力特征图，其中，所述混合注意力机制包括第一注意力机制和第二注意力机制，所述第一注意力机制为增强所述感兴趣区域特征图中全局上下文信息的注意力机制，所述第二注意力机制为捕获所述感兴趣区域特征图中每个空间位置重要性的注意力机制；

8、将所述注意力特征图和所述感兴趣区域特征图进行特征融合，得到融合特征图；

9、根据所述融合特征图进行图像分割，得到图像分割结果。

10、与现有技术相比，本技术第一方面具有以下有益效果：

11、本方法通过将感兴趣区域特征图输入至混合注意力机制中，得到注意力特征图，其中，混合注意力机制包括第一注意力机制和第二注意力机制，第一注意力机制为增强感兴趣区域特征图中全局上下文信息的注意力机制，第二注意力机制为捕获感兴趣区域特征图中每个空间位置重要性的注意力机制，通过混合注意力机制能够更好的专注于重要的特征，抑制不重要的特征，从而提升特征表示能力，有助于提高对细节和复杂模式的捕捉能力；然后对注意力特征图和对齐后的特征图进行特征融合，得到融合特征图，通过特征融合，使得注意力特征图和感兴趣区域特征图之间的差异更为突出，能够最大化注意力特征图和感兴趣区域特征图之间的关系，经过特征融合的特征图具有更强的表达能力，有助后续分割任务中分割的精度和边缘细节的处理有明显提升；最后根据融合特征图进行图像分割，能够提高医学图像分割的精确度。

12、在一些实施方式中，所述将所述感兴趣区域特征图输入至混合注意力机制中，得到注意力特征图，包括：

13、通过所述第一注意力机制增强所述感兴趣区域特征图的全局上下文信息，得到第一输出特征图；

14、对所述第一输出特征图与所述感兴趣区域特征图进行逐像素相乘，得到第二输出特征图；

15、通过所述第二注意力机制捕获所述第二输出特征图中每个空间位置重要性，得到第三输出特征图；

16、对所述第三输出特征图与所述第二输出特征图进行逐像素相乘，得到注意力特征图。

17、在一些实施方式中，所述通过所述第一注意力机制增强所述感兴趣区域特征图的全局上下文信息，得到第一输出特征图，包括：

18、对所述感兴趣区域特征图进行卷积操作，得到卷积后的特征图；

19、通过激活函数增强所述卷积后的特征图的全局上下文信息，生成上下文权重特征图；

20、对所述上下文权重特征图和所述感兴趣区域特征图进行逐像素相乘，得到第一特征图；

21、将所述第一特征图进行卷积操作，得到卷积后的第一特征图；

22、对所述卷积后的第一特征图进行层归一化和激活函数操作，得到第二特征图；

23、对所述第二特征图进行卷积操作，得到卷积后的第二特征图；

24、对所述卷积后的第二特征图和所述感兴趣区域特征图进行逐像素相加，得到第一输出特征图。

25、在一些实施方式中，所述通过所述第二注意力机制捕获所述第二输出特征图中每个空间位置重要性，得到第三输出特征图，包括：

26、将所述第二输出特征图进行最大池化和平均池化操作，得到池化后的输出特征图；

27、对所述池化后的输出特征图进行卷积操作，得到卷积后的输出特征图；

28、通过激活函数捕获所述卷积后的输出特征图中每个空间位置重要性，得到空间注意力特征图；

29、对所述空间注意力特征图和所述第二输出特征图进行逐像素相乘，得到第三输出特征图。

30、在一些实施方式中，所述根据所述融合特征图进行图像分割，得到图像分割结果，包括：

31、构建包含多个卷积模块和多个高分时空表征学习模型的分支网络，其中，所述卷积模块的数量和高分时空表征学习模型的数量相同，所述分支网络中包括多组级联的学习模块，每一组学习模块由一个卷积模块和与其对应的一个高分时空表征学习模型组成；

32、将所述融合特征图输入所述多组级联的学习模块中的第一组学习模块中的卷积模块，得到第一卷积结果；

33、将所述第一卷积结果输入所述第一组学习模块中的高分时空表征学习模型，得到所述第一组学习模块中的高分时空表征学习模型的输出结果；

34、对所述第一卷积结果和所述第一组学习模块中的高分时空表征学习模型的输出结果进行逐像素相加，得到第一组学习模块的输出结果；

35、将所述第一组学习模块的输出结果作为第一组学习模块的下一组学习模块的输入，依次迭代至得到最后一组学习模块的输出结果；

36、将所述最后一组学习模块的输出结果经过上采样和卷积，得到分割掩码；

37、采用所述分割掩码对所述待分割医学图像进行图像分割，得到图像分割结果。

38、在一些实施方式中，在将所述注意力特征图和所述感兴趣区域特征图进行特征融合，得到融合特征图之后，所述方法还包括：

39、将所述融合特征图输入预测网络，得到预测类别结果和边界框回归；

40、根据所述预测类别结果和边界框回归，得到目标定位结果。

41、在一些实施方式中，所述将所述目标感兴趣区域对齐到所述特征图上，得到感兴趣区域特征图，包括：

42、采用双线性插值方法，将所述目标感兴趣区域对齐到所述特征图上，得到感兴趣区域特征图。

43、第二方面，本技术实施例还提供了一种医学图像分割系统，所述系统包括：

44、图像获取单元，用于获取待分割医学图像；

45、特征提取单元，用于提取所述待分割医学图像的特征图，并获取所述特征图的多个候选感兴趣区域；

46、数据筛选单元，用于对所述多个候选感兴趣区域进行筛选，得到目标感兴趣区域；

47、特征对齐单元，用于将所述目标感兴趣区域对齐到所述特征图上，得到感兴趣区域特征图；

48、注意力机制单元，用于将所述感兴趣区域特征图输入至混合注意力机制中，得到注意力特征图，其中，所述混合注意力机制包括第一注意力机制和第二注意力机制，所述第一注意力机制为增强所述感兴趣区域特征图中全局上下文信息的注意力机制，所述第二注意力机制为捕获所述感兴趣区域特征图中每个空间位置重要性的注意力机制；

49、特征融合单元，用于将所述注意力特征图和所述感兴趣区域特征图进行特征融合，得到融合特征图；

50、图像分割单元，用于根据所述融合特征图进行图像分割，得到图像分割结果。

51、第三方面，本技术实施例还提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种医学图像分割方法。

52、第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种医学图像分割方法。

53、可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。