本發(fā)明屬于醫(yī)學圖像處理，尤其涉及一種基于擴散模型的多層次特征融合醫(yī)學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是從皮膚科學圖像中識別出皮膚異常或病變。傳統(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、基底細胞癌、鱗狀細胞癌以及其他良性或惡性生長。這些病變的準確和快速分割在早期檢測、治療計劃制定和疾病進程監(jiān)控中起著至關(guān)重要的作用。自動化的醫(yī)學圖像分割方法近年來因其提高診斷結(jié)果的準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，這通常會導致邊界區(qū)域的分割不夠準確；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)實現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有醫(yī)學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，并提供一種基于擴散模型的多層次特征融合醫(yī)學圖像分割方法及系統(tǒng)。

2、為了實現(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散模型的多層次特征融合醫(yī)學圖像分割方法，包括以下步驟：

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

5、s2：對預處理后的醫(yī)學圖像進行正向擴散過程處理，逐步添加高斯噪聲，以獲取添加噪聲后的醫(yī)學圖像；

6、s3：將添加噪聲后的醫(yī)學圖像和預處理后的醫(yī)學圖像共同輸入到經(jīng)過訓練的去噪網(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)編碼器包含五個參數(shù)不共享的編碼器，每個編碼器包含四個殘差塊和兩個線性注意力模塊，多層次特征融合模塊包含十個參數(shù)不共享的融合模塊，每個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)包含兩個殘差塊、一個線性注意力模塊和一個自注意力模塊，去噪網(wǎng)絡(luò)解碼器包含五個參數(shù)不共享的解碼器，每個解碼器包含兩個殘差塊和一個線性注意力模塊；

7、在去噪網(wǎng)絡(luò)編碼器中，將添加噪聲后的醫(yī)學圖像和預處理后的醫(yī)學圖像以及作為輸入，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)學圖像特征圖，將第一噪聲特征圖以及第一醫(yī)學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)學圖像特征圖，將第二噪聲特征圖以及第二醫(yī)學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)學圖像特征圖，將第三噪聲特征圖以及第三醫(yī)學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)學圖像特征圖，將第四噪聲特征圖以及第四醫(yī)學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)選的具體方式實現(xiàn)。

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

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)學圖像以及時間序列輸入第一殘差塊，得到第一中間特征圖，將預處理后的醫(yī)學圖像以及時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特征圖各自由一個融合分支進行處理，每個融合分支輸出一個融合特征圖，將各個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，每個殘差塊中的處理流程具體如下：將輸入的時間序列經(jīng)過一個全連接層和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行逐元素縮放和偏移，得到融入時間嵌入信息的特征圖，將融入時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散模型的多層次特征融合醫(yī)學圖像分割系統(tǒng)，包括：

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

21、擴散過程處理模塊，用于對預處理后的醫(yī)學圖像進行正向擴散過程處理，逐步添加高斯噪聲，以獲取添加噪聲后的醫(yī)學圖像；

22、結(jié)果獲取模塊，用于將添加噪聲后的醫(yī)學圖像和預處理后的醫(yī)學圖像共同輸入到經(jīng)過訓練的去噪網(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)編碼器包含五個參數(shù)不共享的編碼器，每個編碼器包含四個殘差塊和兩個線性注意力模塊，多層次特征融合模塊包含十個參數(shù)不共享的融合模塊，每個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)包含兩個殘差塊、一個線性注意力模塊和一個自注意力模塊，去噪網(wǎng)絡(luò)解碼器包含五個參數(shù)不共享的解碼器，每個解碼器包含兩個殘差塊和一個線性注意力模塊；

23、在去噪網(wǎng)絡(luò)編碼器中，將添加噪聲后的醫(yī)學圖像和預處理后的醫(yī)學圖像以及作為輸入，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)學圖像特征圖，將第一噪聲特征圖以及第一醫(yī)學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)學圖像特征圖，將第二噪聲特征圖以及第二醫(yī)學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)學圖像特征圖，將第三噪聲特征圖以及第三醫(yī)學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)學圖像特征圖，將第四噪聲特征圖以及第四醫(yī)學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)明提供了一種計算機電子設(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)輸入所需的預處理后的醫(yī)學圖像以及添加噪聲后的醫(yī)學圖像；

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散模型的多層次特征融合醫(yī)學圖像分割方法得到的訓練好的去噪網(wǎng)絡(luò)；

30、結(jié)果輸出模塊，用于將圖像獲取模塊獲取的預處理后的醫(yī)學圖像以及添加噪聲后的醫(yī)學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、因為在皮膚病灶分割任務(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，使用擴散模型的特點將噪聲的影響減小到最少，提供了強大的去噪能力。在分割皮膚病灶時，邊緣區(qū)域的準確性至關(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確性，尤其是在細小邊緣處，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制，使得每個解碼器能夠獲取更加豐富的細節(jié)，從淺層細節(jié)到深層細節(jié)，每個層級都貢獻了其獨特的語義信息，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。