一种基于NDF-Unet++的脑卒中病灶分割方法

技术领域

本发明属于医学图像处理领域，针对脑卒中分割易错检及漏检、精度偏低等问题，设计了一种基于NDF-Unet++的脑卒中病灶分割方法，实现对脑卒中病灶的精准分割。

背景技术

卒中已成为人口死亡的主要原因之一，包括缺血性脑卒中和出血性脑卒中。它具有发病率高、致残率高、死亡率高和复发率高的“四高”特点。缺血性脑卒中的发病率高于出血性脑卒中，占脑卒中总数的87%。发生卒中后，每分钟大约有190万个脑细胞死亡，脑组织及其所支配的运动、语言、认知及情感等多个功能也将同步逐渐丧失。根据脑卒中发病时间可以细分为超急性期（6h以内），急性期（6~24h），亚急性期（24h~2周），还有超过2周的慢性期。超急性期属于最重要的治疗时期，称为黄金治疗时期，医生需要在卒中发作后的4.5h内快速定位并量化病灶以及时做出诊断，通过积极地溶栓或手术治疗，一般预后较好，不容易引发后遗症。因此，及时发现卒中的早期症状极其重要，越早发现，越早诊治，治疗和康复效果也就越好。

人工智能（AI）的迅速发展，开展智慧医疗（Wise Information Technology ofmed，WITMED）已经成为医疗领域的热点。AI可以识别复杂问题并读取大型数据集，当它不断“学习”时，可以预测问题的可能结果。机器学习方法被用于计算机辅助诊断（CAD）应用中，从医学检测报告中收集的许多诊断样本中学习，并与专家的诊断一起支持医学专家预测和诊断未来的疾病。机器学习的使用有助于提高特定疾病诊断系统的可靠性和准确性等性能，因而变得流行起来，尤其是以深度学习（Deep Learning,DL）为主的神经网络在缺血性脑卒中病灶分割中的应用。各种模型频频而出，通过提取病灶和非病灶区的特征信息，从而实现病灶分割。

基于MRI图像病灶分割的技术主要包括传统分割技术和基于深度学习的分割技术。医学图像分割的早期方法通常依赖于边缘检测、模板匹配技术、统计形状模型、活动轮廓和传统机器学习技术。这些方法在一定程度上取得了不错的效果，但由于特征表示的困难，图像分割仍然是计算机视觉领域中最具挑战性的课题之一。随着深度学习技术在医学图像分割中得到了广泛的应用，以端到端的方式训练的CNN比精心设计的特征可提供更好的结果，部分归因于CNN对局部信号表示的不变性，这鼓励了数据的抽象表示。但是目前的病灶分割技术仍面临着多个挑战，例如上采样(Upsample)和下采样(Downsample)可能会导致关键特征信息的丢失、难以精确捕捉病灶的位置特征、以及损失函数需要优化等问题。这些因素综合起来，都可能导致病灶分割精度不高。

发明内容

为了解决现有技术的上述问题，本发明在Unet++中插入基于归一化的注意力机制(NAM，Normalization Attention Module)来降低不太显著的特征的权重；引入方向场(DF，Direction Field)模块学习病灶边界指向每个像素的方向场，利用像素间的方向关系加强类间的差异性和类内的相似性；引入特征校正与融合(FRF，Feature Rectification andFusion) 模块对通过方向场模块的特征进行逐步的校正与融合，对Unet++网络输出的特征纠错，提升分割的精度，并得到最终的分割结果。

所述技术方案如下：

步骤1. 数据集的获取：获取脑卒中MRI图像数据，来源于合作医院；

步骤2. 数据集的处理：将原始数据集格式.nii.gz处理为png格式的数据集并按照一定的顺序标签存放在相应的文件夹里面，以供后续分割网络使用，输入网络之前将处理好的数据集图像随机打散，并按照训练集：测试集：验证集为8：1：1进行划分；

步骤3. 改进VGG特征提取网络提取原始图像特征：将原始图像输入到Unet++中，经过改进的VGG骨干网络（Backbone）提取图像的有效特征；

步骤4. Unet++分割框架中结合NAM注意力通道子模块：将NAM注意力结合到Unet++分割框架中的Xi,0(i=1,2,3,4)特征图之前，提升了Unet++的VGG骨干网络特征提取能力，更好的捕捉病灶的位置信息和空间信息，使得模型更准确地捕捉到感兴趣区域的目标，提升脑卒中分割精度，降低漏检的概率；

步骤5. Unet++分割框架中引入DF模块：在Unet++分割框架网络输出特征经过DF模块学习病灶边界指向每个像素的方向场，利用像素间的方向关系加强类间的差异和类内的相似；

步骤6. Unet++分割框架中引入FRF模块：在Unet++分割框架网络输出的特征经过DF模块之后，再引入FRF模块对通过方向场模块的特征进行逐步的校正与融合，对Unet++网络输出的特征纠错，提升分割的精度，并得到最终的分割结果。

可选地，所述步骤4的具体操作过程如下：

S1）为了使注意力模块能够捕捉不太显著的特征，采用了CBAM的模块集成，通道注意力子模块，使用来自批处理归一化(BN)的比例因子(Ioffe and Szegedy)，表达式如下所示：

，其中，/>

S2) NAM中通道注意力子模块：给定输入

S3) 通道注意力子模块的输出特征

，其中/>

S4) 为了抑制不太显著的权重，在损失函数中添加正则化项，损失函数可以表示为：

，式中/>

可选地，步骤5的具体过程如下：

S1) 该模块由1×1卷积组成，输入为一个64通道的特征，输出为两通道方向场；

S2) 对于每个前景像素p，找到其最近的像素b位于病灶边界上，然后通过b和p之间的距离归一化指向b到p的方向向量

S3) 将背景像素设为(0,0)，形式上，图像域Ω中每个像素p的方向场DF为:

。

可选地，所述步骤6的具体操作过程如下：

S1) DF模块预测的方向场揭示了像素之间的方向关系，为每个像素提供了一个唯一的从边界到中心区域的方向向量，在这些方向向量的指导下，引入了一个特征校正与融合(FRF)模块，利用中心区域的特征逐步校正初始分割特征图中的错误；

S2) 由初始特征图

，其中，1≤k≤N表示当前步长，N为总步长，/>

S3) 完成上述整流过程后，我们将

本发明提供的技术方案带来的有益效果是：

本发明提出了基于NDF-Unet++的脑卒中分割网络。将NAM通道注意力子模块结合到Unet++分割框架中的X

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种基于NDF-Unet++算法用于脑卒中分割的实施流程图；

图2本发明实例的一种基于NDF-Unet++算法的脑卒中分割框架图；

图3是本发明实例的分割结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明提供了一种基于NDF-Unet++的脑卒中分割方法，分割的具体实施流程参见图1，包括：

S1) 数据集的获取。获取脑卒中MRI图像的数据集，本发明的实验采用合作医院提供的脑卒中数据集；

S2) 数据集的处理。本发明使用的数据集原始格式为.nii.gz，由于网络输入需要的是2D的图片，因此首先要对原始数据集进行切片操作，按照规范的标签序号将数据集处理为png格式以供分割网络读取。最后将处理后的数据随机打散，并按照训练集：测试集：验证集为8：1：1进行划分；

S3) 改进VGG特征提取网络提取图像特征。将处理好的图像输入到Unet++网络中，经过改进VGG骨干网络提取图像的有效特征；

S4) Unet++分割框架中结合NAM注意力机制。在Unet++分割框架的Xi,0(i=1,2,3,4)特征图之前引入NAM注意力机制，加强骨干网络的特征提取能力，捕捉病灶的位置信息；

S5) Unet++分割框架中结合DF模块：在Unet++分割框架中得到的特征图X0,4经过方向场（DF）模块，学习病灶边界指向每个像素的方向场，通过简单而有效的利用像素间方向关系的方法，它可以同时加强类间的差异和类内的相似；

S6) Unet++分割框架中结合FRF模块：在Unet++分割框架中得到的特征图X0,4经过方向场（DF）模块后，基于学习到的方向场，再经过一种特征校正与融合(FRF)模块，利用中心区域的特征逐步校正初始分割特征图中的错误，对原始分割特征进行改进，得到最终分割结果。

具体地，所述基于NDF-Unet++的算法具体为：首先将原始数据集格式转换为网络需要的格式，并按照一定的标签顺序存放在相应的文件夹中；将NAM注意力结合到Unet++分割框架中的Xi,0(i=1,2,3,4)特征图之前，提升了Unet++的VGG骨干网络特征提取能力，更好的捕捉病灶的位置信息和空间信息，使得模型更准确地捕捉到感兴趣区域的目标，提升对脑卒中病灶的分割精度，降低漏检的概率；引入FRF模块对通过方向场模块的特征进行逐步的校正与融合，对Unet++网络输出的特征纠错，提升分割的精度，并得到最终的分割结果。将以上技术进行结合得到了NDF-Unet++算法，对训练集进行训练，并在测试集进行测试，实现脑卒中分割。

进一步的，参见图2，图2为一种基于NDF-Unet++的脑卒中分割框架图，其骨干网络使用改进VGG的网络从图像中提取特征。在特征提取的过程中结合了NAM注意力机制， Unet++分割框架输出的特征图经过DF模块，学习方向场加强类间差异性和类内相似性。在通过DF模块输出的特征再经过FRF模块，利用中心区域的特征逐步校正初始分割特征图中的错误，对原始分割特征进行改进，得到最终分割结果。

进一步的，参见图3，脑卒中分割数据集上的分割结果如图所示，每一行对应选取的不同患者。第一列为原始图片，第二列为真实标签图像，第三列是本实例网络的分割结果。

本实施例中，还提供了实验选用数据及所述基于NDF-Unet++的脑卒中分割算法分析：

实验数据采用合作医院脑卒中数据集，处理完之后有771套脑卒中MRI图像，数据集由专业放射科专家手工标注卒中的位置。在脑卒中部分，首先将处理好的数据集随机打散，并按照训练集：测试集：验证集为8：1：1进行划分，本实验采用的评价指标为交并比(Intersection over Union, IoU)，Dice相似系数(Dice Similarily Coefficient,DSC)，豪斯多夫距离（Hausdorff Distance，HD）和精确率（Precision，Pre）。

本发明实施例提供的技术方案带来的有益效果是：

本发明提出了基于NDF-Unet++的脑卒中分割网络。将NAM注意力结合到Unet++分割框架中的Xi,0(i=1,2,3,4)特征图之前，提升了Unet++的VGG骨干网络特征提取能力，更好的捕捉病灶的位置信息和空间信息，使得模型更准确地捕捉到感兴趣区域的目标，提升对脑卒中病灶的分割精度，降低漏检的概率；采用DF模块学习病灶边界指向每个像素的方向场，利用像素间的方向关系加强类间的差异性和类内的相似性；引入FRF模块对通过方向场模块的特征进行逐步的校正与融合，对Unet++网络输出的特征纠错，提升分割的精度，并得到最终的分割结果。将以上技术进行结合得到了NDF-Unet++算法，对训练集进行训练，并在测试集进行测试，实现脑卒中病灶分割。本发明将以上技术进行结合，实现了精准、快速的脑卒中分割。