本發(fā)明屬于醫(yī)學(xué)圖像處理，尤其涉及一種基于擴(kuò)散模型的多層次特征融合醫(yī)學(xué)圖像分割方法及系統(tǒng)。

背景技術(shù)：

1、皮膚病變分割的目標(biāo)是從皮膚科學(xué)圖像中識別出皮膚異?；虿∽儭鹘y(tǒng)上依靠視覺檢查和手工勾畫來診斷皮膚病變，包括黑色素瘤、基底細(xì)胞癌、鱗狀細(xì)胞癌以及其他良性或惡性生長。這些病變的準(zhǔn)確和快速分割在早期檢測、治療計(jì)劃制定和疾病進(jìn)程監(jiān)控中起著至關(guān)重要的作用。自動化的醫(yī)學(xué)圖像分割方法近年來因其提高診斷結(jié)果的準(zhǔn)確性和可靠性而受到顯著關(guān)注，然而對于傳統(tǒng)的分割網(wǎng)絡(luò)模型，去噪能力有限，導(dǎo)致模型在噪聲環(huán)境下的去噪性能和分割精度受損；并且對于傳統(tǒng)分割網(wǎng)絡(luò)分割方法來說，平等的對待所有區(qū)域沒有考慮不同區(qū)域的重要性，這通常會導(dǎo)致邊界區(qū)域的分割不夠準(zhǔn)確；最后，傳統(tǒng)的分割網(wǎng)絡(luò)采用跳躍連接來豐富語義信息，但是這些語義信息僅僅局限于鄰近層次的特征圖語義信息，沒有綜合考慮全局多層次特征圖語義信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有醫(yī)學(xué)圖像分割方法中存在的去噪能力弱、對病灶邊界敏感性、語義信息不夠豐富等問題，并提供一種基于擴(kuò)散模型的多層次特征融合醫(yī)學(xué)圖像分割方法及系統(tǒng)。

2、為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明具體采用如下技術(shù)方案：

3、第一方面，本發(fā)明提供了一種基于擴(kuò)散模型的多層次特征融合醫(yī)學(xué)圖像分割方法，包括以下步驟：

4、s1：獲取帶有皮膚病灶的醫(yī)學(xué)圖像，并且對所述醫(yī)學(xué)圖像進(jìn)行相應(yīng)的預(yù)處理，得到預(yù)處理后的醫(yī)學(xué)圖像；

5、s2：對預(yù)處理后的醫(yī)學(xué)圖像進(jìn)行正向擴(kuò)散過程處理，逐步添加高斯噪聲，以獲取添加噪聲后的醫(yī)學(xué)圖像；

6、s3：將添加噪聲后的醫(yī)學(xué)圖像和預(yù)處理后的醫(yī)學(xué)圖像共同輸入到經(jīng)過訓(xùn)練的去噪網(wǎng)絡(luò)中，得到皮膚病灶的分割結(jié)果圖像；所述去噪網(wǎng)絡(luò)包含去噪網(wǎng)絡(luò)編碼器、多層次特征融合模塊、瓶頸結(jié)構(gòu)以及去噪網(wǎng)絡(luò)解碼器，去噪網(wǎng)絡(luò)編碼器包含五個(gè)參數(shù)不共享的編碼器，每個(gè)編碼器包含四個(gè)殘差塊和兩個(gè)線性注意力模塊，多層次特征融合模塊包含十個(gè)參數(shù)不共享的融合模塊，每個(gè)融合模塊包含空間注意力模塊以及通道注意力模塊，瓶頸結(jié)構(gòu)包含兩個(gè)殘差塊、一個(gè)線性注意力模塊和一個(gè)自注意力模塊，去噪網(wǎng)絡(luò)解碼器包含五個(gè)參數(shù)不共享的解碼器，每個(gè)解碼器包含兩個(gè)殘差塊和一個(gè)線性注意力模塊；

7、在去噪網(wǎng)絡(luò)編碼器中，將添加噪聲后的醫(yī)學(xué)圖像和預(yù)處理后的醫(yī)學(xué)圖像以及作為輸入，經(jīng)過第一編碼器處理后得到第一特征圖、第二特征圖、第一噪聲特征圖以及第一醫(yī)學(xué)圖像特征圖，將第一噪聲特征圖以及第一醫(yī)學(xué)圖像特征圖輸入第二編碼器處理，得到第三特征圖、第四特征圖、第二噪聲特征圖以及第二醫(yī)學(xué)圖像特征圖，將第二噪聲特征圖以及第二醫(yī)學(xué)圖像特征圖輸入第三編碼器處理，得到第五特征圖、第六特征圖、第三噪聲特征圖以及第三醫(yī)學(xué)圖像特征圖，將第三噪聲特征圖以及第三醫(yī)學(xué)圖像特征圖輸入第四編碼器處理，得到第七特征圖、第八特征圖、第四噪聲特征圖以及第四醫(yī)學(xué)圖像特征圖，將第四噪聲特征圖以及第四醫(yī)學(xué)圖像特征圖輸入第五編碼器處理，得到第九特征圖、第十特征圖、第五噪聲特征圖以及第五醫(yī)學(xué)圖像特征圖；

8、在多層次特征融合模塊中，將第一特征圖、第三特征圖、第五特征圖、第七特征圖以及第九特征圖作為第一輸入，將第二特征圖、第四特征圖、第六特征圖、第八特征圖以及第十特征圖作為第二輸入，第一融合模塊對第一輸入處理后，得到第一多層次融合特征圖，第二融合模塊對第二輸入處理后，得到第二多層次融合特征圖，第三融合模塊對第一輸入處理后，得到第三多層次融合特征圖，第四融合模塊對第二輸入處理后，得到第四多層次融合特征圖，第五融合模塊對第一輸入處理后，得到第五多層次融合特征圖，第六融合模塊對第二輸入處理后，得到第六多層次融合特征圖，第七融合模塊對第一輸入處理后，得到第七多層次融合特征圖，第八融合模塊對第二輸入處理后，得到第八多層次融合特征圖，第九融合模塊對第一輸入處理后，得到第九多層次融合特征圖，第十融合模塊對第二輸入處理后，得到第十多層次融合特征圖；

9、在瓶頸結(jié)構(gòu)中，以第五噪聲特征圖以及第五醫(yī)學(xué)圖像特征圖作為輸入，經(jīng)過處理后輸出第六噪聲特征圖；

10、在去噪網(wǎng)絡(luò)解碼器中，第五解碼器將第六噪聲特征圖、第十多層次融合特征圖以及第九多層次融合特征圖作為輸入，經(jīng)過處理后，得到第七噪聲特征圖，第四解碼器將第七噪聲特征圖、第八多層次融合特征圖以及第七多層次融合特征圖作為輸入，經(jīng)過處理后，得到第八噪聲特征圖，第三解碼器將第八噪聲特征圖、第六多層次融合特征圖以及第五多層次融合特征圖作為輸入，經(jīng)過處理后，得到第九噪聲特征圖，第二解碼器將第九噪聲特征圖、第四多層次融合特征圖以及第三多層次融合特征圖作為輸入，經(jīng)過處理后，得到第十噪聲特征圖，第一解碼器將第十噪聲特征圖、第二多層次融合特征圖以及第一多層次融合特征圖作為輸入，經(jīng)過處理后，得到皮膚病灶的分割結(jié)果圖像。

11、在上述方案基礎(chǔ)上，各步驟可以采用如下優(yōu)選的具體方式實(shí)現(xiàn)。

12、作為上述第一方面的優(yōu)選，步驟s1中，所述預(yù)處理具體為：將不同尺寸大小的帶有皮膚病灶的醫(yī)學(xué)圖像隨機(jī)裁剪，得到大小為128×128×3的裁剪后的醫(yī)學(xué)圖像，再對裁剪后的醫(yī)學(xué)圖像進(jìn)行歸一化操作并進(jìn)行水平鏡像翻轉(zhuǎn)、垂直鏡像翻轉(zhuǎn)以及強(qiáng)度變化，得到預(yù)處理后的醫(yī)學(xué)圖像。

13、作為上述第一方面的優(yōu)選，步驟s3中，第一編碼器中的處理流程具體如下：將添加噪聲后的醫(yī)學(xué)圖像以及時(shí)間序列輸入第一殘差塊，得到第一中間特征圖，將預(yù)處理后的醫(yī)學(xué)圖像以及時(shí)間序列輸入第二殘差塊，得到第二中間特征圖，將第一中間特征圖和第二中間特征圖拼接，得到所述第一特征圖，將第一特征圖以及時(shí)間序列輸入第三殘差塊，得到第三中間特征圖，將第三中間特征圖和第一中間特征圖拼接，得到第四中間特征圖，將第四中間特征圖以及時(shí)間序列輸入第四殘差塊，得到第五中間特征圖，將第五中間特征圖經(jīng)過第一線性注意力模塊，得到所述第一噪聲特征圖，將第一噪聲特征圖和第三中間特征圖拼接，得到所述第二特征圖，將第二特征圖輸入到第二線性注意力模塊，得到所述第一醫(yī)學(xué)圖像特征圖。

14、作為上述第一方面的優(yōu)選，步驟s3中，瓶頸結(jié)構(gòu)中的處理流程具體如下：將第五噪聲特征圖以及第五醫(yī)學(xué)圖像特征圖相加，得到相加后的特征圖，將相加后的特征圖以及時(shí)間序列輸入第五殘差塊，得到第六中間特征圖，將第六中間特征圖經(jīng)過第三線性注意力模塊處理后，得到第七中間特征圖，將第六中間特征圖經(jīng)過自注意力模塊處理后，得到第八中間特征圖，第七中間特征圖和第八中間特征圖相加后輸入第六殘差塊，得到所述第六噪聲特征圖。

15、作為上述第一方面的優(yōu)選，步驟s3中，每個(gè)融合模塊中的處理流程具體如下：將第一輸入或者第二輸入中的每個(gè)特征圖各自由一個(gè)融合分支進(jìn)行處理，每個(gè)融合分支輸出一個(gè)融合特征圖，將各個(gè)融合分支輸出的融合特征圖相乘，得到全局融合特征圖，將全局融合特征圖經(jīng)過帶有激活函數(shù)的卷積層處理，得到多層次融合特征圖。

16、作為上述第一方面的優(yōu)選，步驟s3中，在每個(gè)融合分支中，將輸入的特征圖經(jīng)過第一空間注意力模塊，得到第一空間權(quán)重圖，將輸入的特征圖和第一空間權(quán)重圖相乘，得到第一空間加權(quán)特征圖，將第一空間加權(quán)特征圖經(jīng)過第一通道注意力模塊，得到第一通道權(quán)重圖，將第一空間加權(quán)特征圖和第一通道權(quán)重圖相乘，得到第一通道加權(quán)特征圖，對第一通道加權(quán)特征圖經(jīng)過自適應(yīng)平均池化操作，得到池化后的加權(quán)特征圖，將池化后的加權(quán)特征圖經(jīng)過一層卷積層處理，得到輸出的融合特征圖。

17、作為上述第一方面的優(yōu)選，步驟s3中，第五解碼器中的處理流程具體如下：將第六噪聲特征圖以及第十多層次融合特征圖拼接，得到第九中間特征圖，將第九中間特征圖以及時(shí)間序列輸入第七殘差塊，得到第十中間特征圖，將第十中間特征圖以及第九多層次融合特征圖拼接，得到第十一中間特征圖，將第十一中間特征圖和時(shí)間序列輸入第八殘差塊，得到第十一中間特征圖，將第十一中間特征圖經(jīng)過第四線性注意力模塊處理后，得到第十二中間特征圖，對第十二中間特征圖進(jìn)行上采樣，得到第七噪聲特征圖。

18、作為上述第一方面的優(yōu)選，步驟s3中，每個(gè)殘差塊中的處理流程具體如下：將輸入的時(shí)間序列經(jīng)過一個(gè)全連接層和silu激活函數(shù)處理，得到scale縮放向量和shift偏移向量，將scale縮放向量、shift偏移向量和輸入的特征圖進(jìn)行逐元素縮放和偏移，得到融入時(shí)間嵌入信息的特征圖，將融入時(shí)間嵌入信息的特征圖依次經(jīng)過第一卷積層、silu激活函數(shù)、第二卷積層以及silu激活函數(shù)處理，得到第十三中間特征圖，將輸入的特征圖經(jīng)過第三卷積層處理，得到第十四中間特征圖，將第十三中間特征圖和第十四中間特征圖相加，得到殘差塊輸出的特征圖。

19、第二方面，本發(fā)明提供了一種基于擴(kuò)散模型的多層次特征融合醫(yī)學(xué)圖像分割系統(tǒng)，包括：

20、數(shù)據(jù)預(yù)處理模塊，用于獲取帶有皮膚病灶的醫(yī)學(xué)圖像，并且對所述醫(yī)學(xué)圖像進(jìn)行相應(yīng)的預(yù)處理，得到預(yù)處理后的醫(yī)學(xué)圖像；

21、擴(kuò)散過程處理模塊，用于對預(yù)處理后的醫(yī)學(xué)圖像進(jìn)行正向擴(kuò)散過程處理，逐步添加高斯噪聲，以獲取添加噪聲后的醫(yī)學(xué)圖像；

22、結(jié)果獲取模塊，用于將添加噪聲后的醫(yī)學(xué)圖像和預(yù)處理后的醫(yī)學(xué)圖像共同輸入到經(jīng)過訓(xùn)練的去噪網(wǎng)絡(luò)中，得到皮膚病灶的分割結(jié)果圖像；所述去噪網(wǎng)絡(luò)包含去噪網(wǎng)絡(luò)編碼器、多層次特征融合模塊、瓶頸結(jié)構(gòu)以及去噪網(wǎng)絡(luò)解碼器，去噪網(wǎng)絡(luò)編碼器包含五個(gè)參數(shù)不共享的編碼器，每個(gè)編碼器包含四個(gè)殘差塊和兩個(gè)線性注意力模塊，多層次特征融合模塊包含十個(gè)參數(shù)不共享的融合模塊，每個(gè)融合模塊包含空間注意力模塊以及通道注意力模塊，瓶頸結(jié)構(gòu)包含兩個(gè)殘差塊、一個(gè)線性注意力模塊和一個(gè)自注意力模塊，去噪網(wǎng)絡(luò)解碼器包含五個(gè)參數(shù)不共享的解碼器，每個(gè)解碼器包含兩個(gè)殘差塊和一個(gè)線性注意力模塊；

23、在去噪網(wǎng)絡(luò)編碼器中，將添加噪聲后的醫(yī)學(xué)圖像和預(yù)處理后的醫(yī)學(xué)圖像以及作為輸入，經(jīng)過第一編碼器處理后得到第一特征圖、第二特征圖、第一噪聲特征圖以及第一醫(yī)學(xué)圖像特征圖，將第一噪聲特征圖以及第一醫(yī)學(xué)圖像特征圖輸入第二編碼器處理，得到第三特征圖、第四特征圖、第二噪聲特征圖以及第二醫(yī)學(xué)圖像特征圖，將第二噪聲特征圖以及第二醫(yī)學(xué)圖像特征圖輸入第三編碼器處理，得到第五特征圖、第六特征圖、第三噪聲特征圖以及第三醫(yī)學(xué)圖像特征圖，將第三噪聲特征圖以及第三醫(yī)學(xué)圖像特征圖輸入第四編碼器處理，得到第七特征圖、第八特征圖、第四噪聲特征圖以及第四醫(yī)學(xué)圖像特征圖，將第四噪聲特征圖以及第四醫(yī)學(xué)圖像特征圖輸入第五編碼器處理，得到第九特征圖、第十特征圖、第五噪聲特征圖以及第五醫(yī)學(xué)圖像特征圖；

24、在多層次特征融合模塊中，將第一特征圖、第三特征圖、第五特征圖、第七特征圖以及第九特征圖作為第一輸入，將第二特征圖、第四特征圖、第六特征圖、第八特征圖以及第十特征圖作為第二輸入，第一融合模塊對第一輸入處理后，得到第一多層次融合特征圖，第二融合模塊對第二輸入處理后，得到第二多層次融合特征圖，第三融合模塊對第一輸入處理后，得到第三多層次融合特征圖，第四融合模塊對第二輸入處理后，得到第四多層次融合特征圖，第五融合模塊對第一輸入處理后，得到第五多層次融合特征圖，第六融合模塊對第二輸入處理后，得到第六多層次融合特征圖，第七融合模塊對第一輸入處理后，得到第七多層次融合特征圖，第八融合模塊對第二輸入處理后，得到第八多層次融合特征圖，第九融合模塊對第一輸入處理后，得到第九多層次融合特征圖，第十融合模塊對第二輸入處理后，得到第十多層次融合特征圖；

25、在瓶頸結(jié)構(gòu)中，以第五噪聲特征圖以及第五醫(yī)學(xué)圖像特征圖作為輸入，經(jīng)過處理后輸出第六噪聲特征圖；

26、在去噪網(wǎng)絡(luò)解碼器中，第五解碼器將第六噪聲特征圖、第十多層次融合特征圖以及第九多層次融合特征圖作為輸入，經(jīng)過處理后，得到第七噪聲特征圖，第四解碼器將第七噪聲特征圖、第八多層次融合特征圖以及第七多層次融合特征圖作為輸入，經(jīng)過處理后，得到第八噪聲特征圖，第三解碼器將第八噪聲特征圖、第六多層次融合特征圖以及第五多層次融合特征圖作為輸入，經(jīng)過處理后，得到第九噪聲特征圖，第二解碼器將第九噪聲特征圖、第四多層次融合特征圖以及第三多層次融合特征圖作為輸入，經(jīng)過處理后，得到第十噪聲特征圖，第一解碼器將第十噪聲特征圖、第二多層次融合特征圖以及第一多層次融合特征圖作為輸入，經(jīng)過處理后，得到皮膚病灶的分割結(jié)果圖像。

27、第三方面，本發(fā)明提供了一種計(jì)算機(jī)電子設(shè)備，包括：圖像獲取模塊、圖像分割模塊以及結(jié)果輸出模塊；

28、圖像獲取模塊，用于獲取去噪網(wǎng)絡(luò)輸入所需的預(yù)處理后的醫(yī)學(xué)圖像以及添加噪聲后的醫(yī)學(xué)圖像；

29、圖像分割模塊，用于獲取如上述第一方面任一方案所述的基于擴(kuò)散模型的多層次特征融合醫(yī)學(xué)圖像分割方法得到的訓(xùn)練好的去噪網(wǎng)絡(luò)；

30、結(jié)果輸出模塊，用于將圖像獲取模塊獲取的預(yù)處理后的醫(yī)學(xué)圖像以及添加噪聲后的醫(yī)學(xué)圖像輸入到圖像分割模塊獲取的去噪網(wǎng)絡(luò)中，輸出皮膚病灶的分割結(jié)果圖像。

31、本發(fā)明相對于現(xiàn)有技術(shù)而言，具有以下有益效果：

32、因?yàn)樵谄つw病灶分割任務(wù)中，圖像會受到噪聲等多種因素地影響，從而干擾病灶區(qū)域的定位和分割，本發(fā)明創(chuàng)新的將去噪網(wǎng)絡(luò)和分割網(wǎng)絡(luò)結(jié)合，使用擴(kuò)散模型的特點(diǎn)將噪聲的影響減小到最少，提供了強(qiáng)大的去噪能力。在分割皮膚病灶時(shí)，邊緣區(qū)域的準(zhǔn)確性至關(guān)重要，該方法通過一種邊緣感知損失函數(shù)，提高了模型對邊緣像素的敏感性，這種對于邊緣的敏感性確保了分割的準(zhǔn)確性，尤其是在細(xì)小邊緣處，能夠被更加精確的捕捉和描述。本方法在編碼器-解碼器網(wǎng)絡(luò)中，在跳躍連接處采用了多層次特征融合的機(jī)制，使得每個(gè)解碼器能夠獲取更加豐富的細(xì)節(jié)，從淺層細(xì)節(jié)到深層細(xì)節(jié)，每個(gè)層級都貢獻(xiàn)了其獨(dú)特的語義信息，增加了分割結(jié)果的語義豐富性，有助于模型更好的理解復(fù)雜的皮膚病變結(jié)構(gòu)。由于本方法采用的網(wǎng)絡(luò)結(jié)構(gòu)綜合不同層次的特征，并且在邊緣分割上表現(xiàn)出了高度的敏感性，這使得模型在各種類型的皮膚病灶圖像中具有更好的泛化能力。