基于细节引导与多尺度注意力的心脏磁共振图像分割方法

本发明涉及计算机视觉中的图像语义分割，更具体的说是涉及基于细节引导与多尺度注意力的心脏磁共振图像分割方法。

背景技术：

1、目前，作为计算机视觉领域的一个基本任务，图像语义分割旨在对给定图像进行像素级的语义分类，通过确定真实边界信息来区分出有意义的事物，如单个目标和感兴趣的区域。图像语义分割用于实现对给定图像内容的像素级理解与识别。由于语义相关的目标通常呈现出相似的模式，因此需要深入理解图像的结构化信息以及每个目标的语义。

2、医学图像分割任务代表了对目标语义的理解，其目的是根据医学图像中的某种相似性特征自动或半自动地对医学图像中的像素进行分类，并将图像分割成不同的有意义的区域，进而得到分割结果。在心脏磁共振图像中往往存在边界细节信息比较丰富的情况，这也导致边界与周围像素的区分度不高、难区分以及相对比较模糊，从而给心脏磁共振图像分割带来了极大的挑战。因此，能够有效利用细节信息的图像分割方法对于心脏磁共振图像的语义分割具有极其重要的实用价值。

3、近年来，在心脏磁共振图像分割任务中，医学影像技术与人工智能方法被不断优化与改进，在许多主要的分割基准上都取得了提升，超越了传统方法，成为当前的主流方法。其中，基于卷积神经网络的方法取得了显著的提升。对于心脏磁共振图像分割模型的训练阶段，该类方法能够关联像素的上下文信息，在分割任务中取得了长足的进步。因此，设计一个具有强大的图像特征提取和表示能力卷积神经网络，自动学习提取深度卷积特征进行图像语义分割则尤为重要。

4、虽然近期一些有效的算法被陆续提出，但从当前研究中可以发现，由于复杂目标的分割的难点往往体现在微小区域，而上下文信息或空间分辨率对分割模型的学习能力有很大的影响，直接影响到其对复杂目标的分割能力。因此，这些方法仍然存在以下问题：目标的形状、边界等细节信息尚未得到有效利用，能够保留目标详细信息的空间分辨率特征未能得到有效保留与恢复。此外，分割模型需要更有效地理解并进一步融合细节信息与上下文信息的特征。

技术实现思路

1、有鉴于此，为克服现有技术的不足，本发明提供了一种基于细节引导与多尺度注意力的心脏磁共振图像分割方法，通过基于细节引导与多尺度注意力的语义分割模型，能够有效利用目标详细信息和多尺度注意力特征，实现对心脏磁共振图像语义分割。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明提供基于细节引导与多尺度注意力的心脏磁共振图像分割方法，包括：

4、构建基于细节引导与多尺度注意力的语义分割模型，所述语义分割模型包括：具有细节引导模块的多级特征编码器、具有多尺度注意力单元的解码器和空洞卷积金字塔池化模块；

5、利用心脏磁共振图像数据集对所述语义分割模型进行训练；其中，心脏磁共振图像及带有的分割目标真实边界标签作为模型的输入，所述心脏磁共振图像中各目标的分割掩模作为输出；所述分割目标包括：心脏收缩和舒张周期的心内膜以及心外膜；

6、在训练过程中，针对输入图像中各类目标，比较预测特征与真实标签，构建多任务损失函数；所述损失函数包括细节损失和分割损失；

7、将经过训练的基于细节引导与多尺度注意力的语义分割模型，应用于待分割的心脏磁共振图像，最终获得语义分割结果。

8、进一步地，所述细节引导模块的多级特征编码器，构建密集连接的残差块作为编码主体部分，利用细节引导模块通过拉普拉斯金字塔处理真实边界标签生成细节特征图，并利用语义特征计算细节损失；

9、其中，利用细节引导模块通过拉普拉斯金字塔处理真实标签生成细节特征图，公式如下：

10、md＝conv1×1(l(y)s＝1||u(l(y)s＝2)||u(l(y)s＝4))

11、其中，md表示包含边界细节信息的细节特征图；y表示心脏磁共振图像中各待分割目标的真实边界标签；l(y)表示y上的拉普拉斯卷积，s表示步幅；u(·)表示双线性上采样函数；||表示通道级联；conv1×1表示级联后执行的归一化1×1卷积层。

12、进一步地，所述多尺度注意力单元的解码器通过多尺度上采样块进行特征融合；该上采样块融合低分辨率特征和跳跃连接的高分辨率特征，并结合空间注意力和通道注意力机制，在上采样注意力块的末尾引入输入图像的梯度信息。

13、进一步地，所述空间注意力的处理过程包括：

14、在空间注意力路径中，使用连续的1×1卷积层convv1×1将通道数减少到1，并应用sigmoid函数σ来重新缩放特征，将每个通道注意力值映射到[0，1]区间：

15、s(x)＝xc·σ(conv1×1(conv1×1(x))

16、其中，s(x)表示空间注意力机制中的注意力权重，x表示该注意力路径的输入特征，xc表示组合特征图中的所有通道；

17、所述通道注意力的处理过程包括：

18、在通道注意力路径中，采用压缩与激活模块进行通道权重自适应；为输入特征的每个通道生成一个位于[0，1]区间内的缩放因子，并根据该因子对其进行缩放以获得输出特征c(x)；

19、所述上采样注意力块的输出为：

20、ua(x)＝(1+s(x))⊙ c(x)

21、其中⊙表示元素乘积。

22、进一步地，所述空洞卷积金字塔池化模块和每个上采样注意力块的输出分别与编码器中的跳跃连接进行融合，以聚合编码器的多级特征。

23、进一步地，心脏磁共振图像及带有的分割目标真实边界标签作为模型的输入，包括：

24、在训练阶段，对输入的心脏磁共振图像进行数据预处理与数据增强，再作为模型的输入进行训练；所述心脏磁共振图像带有分割目标真实边界标签。

25、进一步地，所述多任务损失函数包括细节损失和分割损失所述总损失ltotal由以下公式给出；

26、ltotal＝ldetail+lseg

27、其中，所述细节损失ldetail采用二元交叉熵和dice损失联合优化，确保空间细节信息与细节真实边界标签对齐；

28、所述分割损失lseg基于心脏磁共振图像中各分割目标的真实边界标签和预测分割掩模之间的交叉熵损失与dice损失进行计算。

29、进一步地，所述细节损失ldetail公式如下：

30、

31、其中，分别是真实细节标签与预测细节特征图；所有像素都在高度为h、宽度为w的域中；二元交叉熵和dice损失分别如下：

32、

33、其中，n表示高度为h、宽度为w的区域；i表示n的第i像素，di和分别表示第i像素的真实细节标签和预测细节，ε＝1表示平滑项。

34、进一步地，所述分割损失，使用交叉熵和dice损失来联合优化学习：

35、lseg＝lce+ldice

36、

37、其中，y表示心脏磁共振图像中各待分割目标的真实边界标签，表示模型预测的各待分割目标的边界；y与都在高度为h、宽度为w、通道为类别数k的域中，y∈{0，1}h×w×k，yik和分别表示针对类别k的第i个像素的真实边界标签和的预测边界，其中数值0表示背景，1表示边界；eps＝1e-7用于保持分母的数值稳定性。

38、经由上述的技术方案可知，与现有技术相比，具有如下优势：

39、有效提取并进一步融合能够关联像素的上下文信息以及能够保留目标形状、边界等细节信息的空间分辨率特征，实现对心脏磁共振图像的语义分割。