1.一种基于注意力机制的残差型全卷积神经网络的医学图像分割方法,其特征在于:
包括以下步骤,
S1、对待分割的医学图像进行预处理,得到训练集数据、验证集数据和测试集数据;
S2、构建基于注意力机制的残差型全卷积神经网络,包括特征图收缩网络、注意力网络、特征图扩张网络组,其中,特征图收缩网络用于对原始输入图像的特征提取,得到图像特征信息;特征图扩张网络用于对特征图收缩网络提供的图像特征信息的基础上,预测出与原始图像尺寸大小相同的分割图像;注意力网络用于将每层特征图收缩网络中图像特征传递给特征图扩张网络;
S3、将训练集数据输入残差型全卷积神经网络进行训练,得到学习后的卷积神经网络模型;
S4、将测试集数据输入步骤S3所得学习后的卷积神经网络模型,进行图像分割,得到分割后的图像。
2.如权利要求1所述的基于注意力机制的残差型全卷积神经网络的医学图像分割方法,其特征在于:步骤S2中,特征图收缩网络包括自上而下分层设置且结构相同的四层残差卷积块和自上而下分层设置且结构相同的四层最大池化层,四层残差卷积块即残差卷积块一、残差卷积块二、残差卷积块三、残差卷积块四,四层最大池化层即最大池化层一、的最大池化层二、最大池化层三、最大池化层四,残差卷积块一的输入是原始输入图像,残差卷积块一通过最大池化层一输出到残差卷积块二,残差卷积块二、残差卷积块三和残差卷积块四的输入分别是来自上一层的残差卷积块的输出经过最大池化层操作后的输出和原始图像平均池化后的特征图合并;残差卷积块二和残差卷积块三经过特征提取后,分别输出到相对应的注意力网络,同时经过最大池化操作后输出到特征图收缩网络的下一层的残差卷积块,残差卷积块四经过特征提取后输出到相应的注意力网络,同时残差卷积块四也将经过最大池化层四输出到特征图扩张网络的残差卷积块五。
3.如权利要求2所述的基于注意力机制的残差型全卷积神经网络的医学图像分割方法,其特征在于:步骤S2中,特征图扩张网络包括自下而上分层设置且结构相同的五层残差卷积块,即残差卷积块五、残差卷积块六、残差卷积块七、残差卷积块八和残差卷积块九,残差卷积块五的输入来自特征图收缩网络的残差卷积块四经过最大池化层四操作后的输出,残差卷积块六、残差卷积块七、残差卷积块八和残差卷积块九的输入来自上一层残差卷积块经过反卷积的输出和经过注意力网络输出的特征图的合并。
4.如权利要求3所述的基于注意力机制的残差型全卷积神经网络的医学图像分割方法,其特征在于:特征图收缩网络的残差卷积块与特征图扩张网络的残差卷积块的结构相同,残差卷积块的输入x经过连续两次相同的卷积、批量归一化Batch Normal、激活函数relu之后,得到主输出F(x),输入x还通过直接连接shortcut直接将来自输入x与主输出F(x)相加,得到最终输出F(x)+x。
5.如权利要求3所述的基于注意力机制的残差型全卷积神经网络的医学图像分割方法,其特征在于:步骤S2中,注意力网络具有两个输入,即分别来自上一层特征图扩张网络中的残差卷积块输出和特征图收缩网络的残差卷积块,两个输入分别经过1*1*1的卷积操作,然后将两个输入特征图求和,该求和结果依此通过relu激活函数、1*1*1的卷积操作、sigmoild激活函数、上采样,最后将采样结果与来自特征图收缩网络的特征图相乘,输出到目标层。
6.如权利要求1-5任一项所述的基于注意力机制的残差型全卷积神经网络的医学图像分割方法,其特征在于:步骤S1中,对待分割的医学图像进行预处理,具体为,S11、对待分割的医学图像数据进行格式转换;
S12、对格式转换后的图像进行归一化处理,将其归一化到[0,1]区间;具体为,计算全部数据集图像的均值和标准差,按对比度归一化公式处理图像的对比度,其中对比度归一化公式表示为:I=(I-Mean)/Std (1)
其中,I表示图像的对比度,Mean表示图像数据的均值,Std表示图像数据的标准差;
S13、将归一化后的图像分为训练集数据、验证集和测试集数据;
S14、对训练集数据进行多尺度化处理,分别得到多种尺寸不同的图像。
7.如权利要求1-5任一项所述的基于注意力机制的残差型全卷积神经网络的医学图像分割方法,其特征在于:步骤S3中,将训练集数据输入残差型全卷积神经网络进行训练,得到学习后的卷积神经网络模型;具体为,S31、将训练集数据分为m批,并初始化卷积核权重和偏值;
S32、分批次将未被训练的训练集数据输入步骤S2构建好的基于注意力机制的残差型全卷积神经网络;
S33、将训练集数据与构建好的基于注意力机制的残差型全卷积神经网络中进行计算,实现网络训练的前向传播,输出预测概率图;
S34、计算各层预测概率图与训练集数据中对应标准分割图片之间的误差,计算公式为:
其中γ为1.33,c为每个像素所对应的类别,
其中,Pic代表像素点i预测为c类的概率,giC标准分割图像中像素i对应的值, 表示像素点i不属于c类的概率, 则表示在标准分割图像中像素i对应1-giC的值,N代表一张图像中像素点的总个数,α的值为0.7,β的值为0.3,ε为1;
残差卷积块六、残差卷积块七、残差卷积块八的输出对应的误差计算函数为FTLc,残差卷积块九的输出对应的误差计算函数是TIc;
S35、采用动量随机梯度下降法最小化误差计算函数,然后利用该误差计算函数值进行梯度计算,对网络参数更新时选择多步学习率策略改变学习速率,根据迭代次数而逐渐减小;网络参数更新完成后,将验证集数据的图像输入到已训练的网络模型中,计算验证集数据中图像分割的准确率,若该批次训练后的网络模型在验证集中准确率高于上一批次训练模型的准确率,则保存训练后的网络模型参数到硬盘文件中,否则不保存;训练集数据的各批次分别训练完成后,最终得到学习后的卷积神经网络模型。
8.如权利要求7所述的基于注意力机制的残差型全卷积神经网络的医学图像分割方法,其特征在于:步骤S32中,将训练集数据中四种尺寸不同的图像输入基于注意力机制的残差型全卷积神经网络的特征图收缩网络的相应层次中。