(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210291492.9 (22)申请日 2022.03.22 (71)申请人 南京信息职业 技术学院 地址 210033 江苏省南京市栖霞区仙林大 学城文澜路99号 (72)发明人 杨永鹏　孙雪　杨真真　林畅　 张宇卓　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 陈月菊 (51)Int.Cl. G06T 7/11(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06V 10/40(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于MECAU-Net网络的医学图像分割方 法 (57)摘要 本发明公开了一种基于MECAU ‑Net网络的医 学图像分割方法， 包括： 在MECAU ‑Net网络的编码 端采用2×2偶数卷积模块对导入的医学图像进 行特征提取； 构建与2 ×2偶数卷积模块平行的4 ×4偶数卷积通路， 采用4 ×4偶数卷积核对 图像 信息进行提取， 并且将提取得到的信息直接传递 给编码网络的主干部分， 以融合不同感受野内的 特征信息； 在每一层对待分割的特征图进行对称 填充， 再将获取到的信息通过拼接的方式传递给 对应的主体网络进行下一步池化， 在消除偶数卷 积导致的像素偏移的同时扩展偶数卷积核的感 受野。 本发 明能够在提取更丰富的信息的同时几 乎不增加额外开销， 利用尽可能少的计算开销得 到更好的分割结果。 权利要求书1页 说明书4页 附图2页 CN 114648540 A 2022.06.21 CN 114648540 A 1.一种基于MECAU ‑Net网络的医学图像分割方法， 其特征在于， 所述医学图像分割方法 包括以下步骤： 在MECAU‑Net网络的编码端采用2 ×2偶数卷积模块对导入的医学图像进行特征提取； 同时， 基于多尺度融合技术， 在编 码端构建与 2×2偶数卷积模块平行的4 ×4偶数卷积通路， 采用4×4偶数卷积核对图像信息进 行提取， 并且将提取得到的信息直接传递给编码网络的 主干部分， 以融合 不同感受野内的特 征信息； 其中， 在每一层对待分割的特征图进行对称填充， 再将获取到的信息通过拼接的方式 传递给对应的主体网络进 行下一步池化， 在消除偶数卷积导致的像素偏移的同时扩展偶数 卷积核的感受野。 2.根据权利要求1所述的基于MECAU ‑Net网络的医学图像分割方法， 其特征在于， 所述 MECAU‑Net网络从上至下设置有5层卷积。 3.根据权利要求1所述的基于MECAU ‑Net网络的医学图像分割方法， 其特征在于， 所述 医学图像分割方法还 包括： 在MECAU‑Net网络的编码端2 ×2偶数卷积模块后嵌入了CBAM注意力模块， 沿通道和空 间两个不同维度依次推断注意力图， 将注意力图和特 征图融合后得到最后的结果。 4.一种基于权利要求1 ‑3任一项中所述方法的基于MECAU ‑Net网络的医学图像分割系 统， 其特征在于， 所述医学图像 分割系统包括输入模块、 编 码端、 多尺度融合模块、 主干部 分 和输出模块； 所述输入 模块用于导入医学图像； 所述编码端包括依次连接的5层2 ×2偶数卷积模块， 用于对导入的医学图像进行特征 提取； 所述多尺度融合模块包括与2 ×2偶数卷积模块平行的5层4 ×4偶数卷积通路； 每层4 × 4偶数卷积核对图像信息进行提取， 并且将提取得到的信息与对应层的2 ×2偶数卷积模块 提取到的特征信息融合后， 直接传递给编码网络的主干部分， 以融合不同感受野内的特征 信息； 其中， 在每一层 对待分割的特征图进 行对称填充， 再将获取到的信息通过拼接的方式 传递给对应的主体网络进 行下一步池化， 在消除偶数卷积导致的像素偏移的同时扩展偶数 卷积核的感受野； 所述输出模块用于 输出经过多尺度融合的特 征图。 5.根据权利要求4所述的基于MECAU ‑Net网络的医学图像分割系统， 其特征在于， 所述 医学图像 分割系统还包括5层CBAM注 意力模块； 5层CBAM注 意力模块一一对应地 嵌入在5层2 ×2偶数卷积模块之后， 沿通道和空间两个不同维度 依次推断注意力图， 将注 意力图和特征 图融合后得到最后的结果。 6.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储装置， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1 ‑3中任一项所述的基于 MECAU‑Net网络的医学图像分割方法。 7.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑3中任一项所述的基于 MECAU‑Net网络的医学图像分割方法。权　利　要　求　书 1/1 页 2 CN 114648540 A 2一种基于MECA U‑Net网络的医学图像分割方 法 技术领域 [0001]本发明属于图像分割技术领域， 具体而言涉及一种基于MECAU ‑Net网络的医学图 像分割方法和系统。 背景技术 [0002]深度学习在图像分类、 语义分割和 目标检测等许多场景都实现了非常成功的应 用。 医学图像分割以其独特 的应用场景受到研究者的广泛关注， 其数据需要专业人士进行 标注， 数据集的获取相对困难， 提升了医学图像分割的难度。 随着深度学习的迅猛发展， 研 究者设计了各种网络来提高医学图像分割的性能。 Ronneberger等提出U ‑Net网络， 首次使 用U型网络结构对医学图像进行分割， 取得了很好的性能， 其特有的U型结构很好的传递了 提取的特 征信息， 非常适 合小数据集的医学图像分割。 [0003]为了进一步提高分割性能， 研究者相继提出了一些U ‑Net网络的改进网络， 这些改 进网络主要通过增加参数和 计算量获得更深更宽的网络来增强特征提取能力。 但U ‑Net网 络的主要特点是轻量级网络， 而现有改进的U ‑Net大都是通过加宽加深网络来获得更好的 分割性能， 这些网络对内存的高要求和高的计算量严重限制了深度学习在医学图像分割领 域的应用。 如何在保持令人满意的分割性能的同时减少所需计算资源成为研究者新的关注 点。 [0004]专利号为CN113920108A的发明公开了一种对用于处理细胞图像的U ‑Net模型进行 训练的训练方法， 该训练方法基于预先获得的标注细胞图像数据集对U ‑Net模型进 行训练， 经过训练的U ‑Net模型能够对细胞图像进行准确分割， 分割后的轮廓边缘清晰， 有效提高了 对细胞图像， 尤其是混合种类细胞图像进 行分割和/或计数的准确性， 有效解决了现有技术 中存在的图像标注成本高、 细胞图像分割困难以及细胞计数操作复杂等难题。 但该发明并 不涉及减少计算资源的技 术问题。 [0005]专利号为CN113902630A的发明中公开了一种基于多尺度纹理特征分支的生成对 抗网络图像修复方法， 构建包含缺失区域的待修复图像与真实 图像对数据集； 构建基于多 尺度纹理特征分支的生成对抗网络模型； 对所述基于多尺度纹理特征分支的生成对抗网络 模型进行训练， 获得最优的生成对抗网络模型； 将包含缺失区域的待修复图像输入到最优 的生成器网络模型中， 输出最终的修复结果图像。 该发明针对图像不规则随机缺失和大面 积缺失情况都能得到较好的修复效果， 修复图像具有较好的结构和纹理特征。 同样， 该发明 也并不涉及减少计算资源的技 术问题。 发明内容 [0006]解决的技 术问题： 如何利用尽可能少的计算 开销得到更好的分割结果。 [0007]技术方案： [0008]一种基于MECAU ‑Net网络的医学图像分割方法， 所述医学图像分割方法包括以下 步骤：说　明　书 1/4 页 3 CN 114648540 A 3