本發(fā)明涉及圖像處理，特別是涉及一種基于不確定性知識建模的醫(yī)學(xué)圖像分割方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、在計算機(jī)視覺領(lǐng)域，主要的挑戰(zhàn)之一是醫(yī)學(xué)圖像分割，如皮膚鏡圖像中的皮膚病變分割，結(jié)腸鏡圖像中的息肉分割，磁共振圖像中的腦腫瘤分割，腹部ct圖像的多器官分割。這些分割結(jié)果為詳細(xì)分析所需的解剖區(qū)域提供了有價值的信息，并極大地幫助醫(yī)生描述損傷、監(jiān)測疾病進(jìn)展和評估是否需要適當(dāng)?shù)闹委煛ｋS著智能醫(yī)學(xué)圖像分析的需求日益增長，精確和魯棒的分割方法變得越來越重要。

3、針對這一需求，已經(jīng)提出了許多具有編碼器和解碼器結(jié)構(gòu)的深度學(xué)習(xí)方法。它們的編碼器通常用于提取圖像特征，解碼器用于將提取的特征恢復(fù)到原始圖像大小，并輸出最終的分割結(jié)果。作為編碼器和解碼器網(wǎng)絡(luò)的代表，u-net在許多醫(yī)學(xué)分割任務(wù)中證明了其有效性，這激發(fā)了一系列高效分割網(wǎng)絡(luò)的發(fā)展，如attention?u-net?，res-unet?和dr-unet。

4、雖然這些網(wǎng)絡(luò)在醫(yī)學(xué)圖像分割中得到了廣泛的應(yīng)用，但它們?nèi)匀淮嬖谝粋€不可忽視的問題，即對于邊界模糊、形狀不規(guī)則的病變，分割效果不理想。造成這一結(jié)果的主要原因是：（1）這些網(wǎng)絡(luò)的編碼器提取的特征幾乎被抽象的語義信息所占據(jù)，失去了大量詳細(xì)的內(nèi)容描述；（2）盡管解碼器中的跳過連接可以融合低分辨率和高分辨率信息以改善特征學(xué)習(xí)，但它受到低分辨率和高分辨率特征之間巨大語義差距的限制，導(dǎo)致特征映射模糊和次優(yōu)分割結(jié)果。隨著網(wǎng)絡(luò)的加深，詳細(xì)信息（如邊界、形狀、紋理）越來越少，這顯然不利于密集的預(yù)測任務(wù)。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于不確定性知識建模的醫(yī)學(xué)圖像分割方法及系統(tǒng)，構(gòu)建基于不確定性知識建模的模型，鼓勵當(dāng)前層重用和重新探索前一層的歷史信息，允許深層學(xué)習(xí)更全面的特征，借助不確定性知識幫助圖像分割，提高圖像分割精度，改善最終的分割結(jié)果。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、第一方面，本發(fā)明提供一種基于不確定性知識建模的醫(yī)學(xué)圖像分割方法，包括以下步驟：

4、獲取待分割圖像及其真實分割標(biāo)簽；

5、將待分割圖像和真實分割標(biāo)簽進(jìn)行融合，得到第一圖像，對第一圖像和原始圖像分別進(jìn)行特征提取，得到第一圖像特征和第二圖像特征，基于第一圖像、原始圖像以及與待分割圖像大小相同的零矩陣，得到隱藏特征，將第一圖像特征和第二圖像特征分別與隱藏特征進(jìn)行融合后再拆分，得到第三圖像特征、第四圖像特征以及新隱藏特征；

6、對第三圖像特征、第四圖像特征以及新隱藏特征進(jìn)行解碼操作，得到第三圖像特征的置信度和第四圖像特征的置信度，將兩個置信度進(jìn)行香農(nóng)熵計算，得到兩份關(guān)注不同區(qū)域的不確定圖，將兩份不確定圖、第三圖像特征和第四圖像特征進(jìn)行融合操作，得到融合后的特征圖，對融合后的特征圖進(jìn)行分割操作，得到分割結(jié)果；

7、定義損失函數(shù)，優(yōu)化模型參數(shù)，得到訓(xùn)練好的醫(yī)學(xué)圖像分割模型。

8、作為可選擇的實施方式，基于第一圖像、原始圖像以及與待分割圖像大小相同的零矩陣，得到隱藏特征，具體為：分別對第一圖像和零矩陣以及原始圖像和零矩陣進(jìn)行拼接操作，提取拼接后的圖像特征，通過跳躍連接將拼接后的圖像特征映射的一個副本與拼接后的圖像特征連接，生成一個新的圖像特征。同時，將拼接后的圖像特征的另一個副本通過一個共享的1×1卷積來壓縮它的特征通道，然后與零矩陣求和，最后通過一個預(yù)激活單元產(chǎn)生隱藏特征。

9、第二方面，本發(fā)明提供一種基于不確定性知識建模的醫(yī)學(xué)圖像分割系統(tǒng)，包括：

10、數(shù)據(jù)獲取模塊，被配置為：獲取待分割圖像及其真實分割標(biāo)簽；

11、編碼器模塊，被配置為：將待分割圖像和真實分割標(biāo)簽進(jìn)行融合，得到第一圖像，對第一圖像和原始圖像分別進(jìn)行特征提取，得到第一圖像特征和第二圖像特征，基于第一圖像、原始圖像以及與待分割圖像大小相同的零矩陣，得到隱藏特征，將第一圖像特征和第二圖像特征分別與隱藏特征進(jìn)行融合后再拆分，得到第三圖像特征、第四圖像特征以及新隱藏特征；

12、解碼器模塊，被配置為：對第三圖像特征、第四圖像特征以及新隱藏特征進(jìn)行解碼操作，得到第三圖像特征的置信度和第四圖像特征的置信度，將兩個置信度進(jìn)行香農(nóng)熵計算，得到兩份關(guān)注不同區(qū)域的不確定圖，將兩份不確定圖、第三圖像特征和第四圖像特征進(jìn)行融合操作，得到融合后的特征圖，對融合后的特征圖進(jìn)行分割操作，得到分割結(jié)果；

13、模型訓(xùn)練模塊，被配置為：定義損失函數(shù)，優(yōu)化模型參數(shù)，得到訓(xùn)練好的醫(yī)學(xué)圖像分割模型。

14、作為可選擇的實施方式，所述編碼器包括編碼器信息交互模塊和全局信息融合模型，所述解碼器包括解碼器信息交互模塊和不確定性融合模塊。

15、作為可選擇的實施方式，所述編碼器包括四個編碼器信息交互模塊，所述編碼器信息交互模塊包含殘差模塊和注意力模塊，所述全局信息融合模塊用于整合圖像特征和隱藏特征，所述解碼器包括四個解碼器信息交互模塊，所述解碼器信息交互模塊包含殘差模塊和注意力模塊，所述不確定性融合模塊用于將特征圖與不確定圖融合起來，得到融合后的特征圖。

16、作為可選擇的實施方式，對圖像特征進(jìn)行處理的路徑為圖像路徑，對隱藏特征進(jìn)行處理的路徑為隱藏狀態(tài)路徑，圖像路徑上的特征通道數(shù)隨著網(wǎng)絡(luò)階段的變化而變化，而隱藏狀態(tài)路徑上的通道數(shù)始終保持不變。

17、作為可選擇的實施方式，存在一個1×1的卷積，在隱藏狀態(tài)路徑的每個階段中，各層之間共享相同的權(quán)重。

18、第三方面，本發(fā)明提供一種電子設(shè)備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運(yùn)行的計算機(jī)指令，所述計算機(jī)指令被處理器運(yùn)行時，完成第一方面所述的方法。

19、第四方面，本發(fā)明提供一種計算機(jī)可讀存儲介質(zhì)，用于存儲計算機(jī)指令，所述計算機(jī)指令被處理器執(zhí)行時，完成第一方面所述的方法。

20、第五方面，本發(fā)明提供一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)完成第一方面所述的方法。

21、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

22、本發(fā)明提出一種基于不確定性知識建模的醫(yī)學(xué)圖像分割方法及系統(tǒng)，其工作原理類似于展開rnn，并具有對不同網(wǎng)絡(luò)層之間的時間順序關(guān)系進(jìn)行建模的優(yōu)點。具體來說，本發(fā)明開發(fā)了一個信息交互模塊，使當(dāng)前層能夠有效地重用和重新探索前一層的歷史信息，允許深層學(xué)習(xí)包含低級細(xì)節(jié)描述和高級語義抽象的更全面的特征。此外，本發(fā)明開發(fā)了一個全局信息融合模塊，以敏感地增強(qiáng)三路徑編碼器提取的信息。該算法融合了局部運(yùn)算和全局運(yùn)算的優(yōu)點，能夠在更寬的頻率范圍內(nèi)靈活地學(xué)習(xí)判別表示，更有效地橋接了編碼器和解碼器。本發(fā)明的分割方法在皮膚病變、息肉、腦腫瘤和腹部多器官分割等四個具有挑戰(zhàn)性的任務(wù)上進(jìn)行了大量的實驗，一致證明了本發(fā)明所提出的模型具有出色的分割性能和泛化能力。

23、本發(fā)明附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。