本發(fā)明屬于影像分割，具體涉及一種醫(yī)療影像數(shù)據(jù)的分割方法及系統(tǒng)。

背景技術(shù)：

1、醫(yī)療影像數(shù)據(jù)是指在醫(yī)療診斷和治療過程中，通過影像技術(shù)獲取的圖像資料。這些數(shù)據(jù)通常由各種醫(yī)學(xué)影像設(shè)備生成，例如x光片、計算機斷層掃描、磁共振成像、超聲波檢查、正電子發(fā)射斷層掃描等。醫(yī)療影像數(shù)據(jù)分割是醫(yī)學(xué)影像分析中的重要環(huán)節(jié)，它對于疾病的診斷、治療和預(yù)后評估具有重要意義。

2、現(xiàn)有的醫(yī)療影像數(shù)據(jù)分割技術(shù)，存在如下缺陷：

3、1）分割精度不足：現(xiàn)有的醫(yī)療影像數(shù)據(jù)分割方法無法精確地識別和分割復(fù)雜的醫(yī)療影像中的細微結(jié)構(gòu)，導(dǎo)致分割結(jié)果不能滿足臨床診斷的高精度要求；

4、2）模型泛化能力差：現(xiàn)有的醫(yī)療影像數(shù)據(jù)分割模型在特定數(shù)據(jù)集上表現(xiàn)良好，但在新的數(shù)據(jù)集上泛化能力較差，難以適應(yīng)不同來源或類型的醫(yī)療影像數(shù)據(jù)；分割模型對于不同疾病狀態(tài)或不同患者的適應(yīng)性有限，需要針對特定情況重新訓(xùn)練或調(diào)整模型；

5、3）自動化和智能化程度低：依賴專業(yè)人員手動調(diào)整模型參數(shù)，人工干預(yù)多，不僅耗時，而且容易因個人經(jīng)驗差異導(dǎo)致結(jié)果不一致；參數(shù)的選擇和優(yōu)化往往依賴于試錯法，缺乏自動化和智能化的參數(shù)調(diào)整機制。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)存在的分割精度不足、模型泛化能力差以及自動化和智能化程度低的問題，本發(fā)明目的在于提供一種醫(yī)療影像數(shù)據(jù)的分割方法及系統(tǒng)。

2、本發(fā)明所采用的技術(shù)方案為：

3、一種醫(yī)療影像數(shù)據(jù)的分割方法，包括如下步驟：

4、采集若干歷史醫(yī)療影像數(shù)據(jù)，并對若干歷史醫(yī)療影像數(shù)據(jù)進行圖像處理，得到設(shè)置有真實標簽的若干圖像處理后歷史醫(yī)療影像數(shù)據(jù)；

5、根據(jù)若干圖像處理后歷史醫(yī)療影像數(shù)據(jù)，使用注意力多尺度融合深度學(xué)習(xí)算法，構(gòu)建醫(yī)療影像數(shù)據(jù)分割模型；

6、采集實時醫(yī)療影像數(shù)據(jù)，并使用醫(yī)療影像數(shù)據(jù)分割模型，對實時醫(yī)療影像數(shù)據(jù)進行醫(yī)療影像數(shù)據(jù)分割，得到實時醫(yī)療影像數(shù)據(jù)分割結(jié)果。

7、進一步地，采集若干歷史醫(yī)療影像數(shù)據(jù)，并對若干歷史醫(yī)療影像數(shù)據(jù)進行圖像處理，得到設(shè)置有真實標簽的若干圖像處理后歷史醫(yī)療影像數(shù)據(jù)，包括如下步驟：

8、采集若干歷史醫(yī)療影像數(shù)據(jù)和對應(yīng)的數(shù)據(jù)信息，并對若干歷史醫(yī)療影像數(shù)據(jù)進行數(shù)據(jù)清洗，得到若干清洗后歷史醫(yī)療影像數(shù)據(jù)；

9、對若干清洗后歷史醫(yī)療影像數(shù)據(jù)進行歸一化處理，得到若干歸一化后歷史醫(yī)療影像數(shù)據(jù)；

10、對若干歸一化后歷史醫(yī)療影像數(shù)據(jù)進行高斯去噪，得到若干去噪后歷史醫(yī)療影像數(shù)據(jù)；

11、對若干去噪后歷史醫(yī)療影像數(shù)據(jù)進行圖像增強，得到若干增強后歷史醫(yī)療影像數(shù)據(jù)；

12、根據(jù)增強后歷史醫(yī)療影像數(shù)據(jù)的數(shù)據(jù)信息，為每一增強后歷史醫(yī)療影像數(shù)據(jù)設(shè)置真實標簽，得到設(shè)置有真實標簽的若干圖像處理后歷史醫(yī)療影像數(shù)據(jù)。

13、進一步地，根據(jù)若干圖像處理后歷史醫(yī)療影像數(shù)據(jù)，使用注意力多尺度融合深度學(xué)習(xí)算法，構(gòu)建醫(yī)療影像數(shù)據(jù)分割模型，包括如下步驟：

14、使用cnn算法，構(gòu)建分割網(wǎng)絡(luò)，并引入多尺度特征融合機制，對分割網(wǎng)絡(luò)進行改進，得到多尺度特征融合網(wǎng)絡(luò)；

15、引入注意力機制，對多尺度特征融合網(wǎng)絡(luò)進行改進，得到初始的醫(yī)療影像數(shù)據(jù)分割模型；

16、使用若干圖像處理后歷史醫(yī)療影像數(shù)據(jù)，對初始的醫(yī)療影像數(shù)據(jù)分割模型進行優(yōu)化訓(xùn)練，得到優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型，并生成若干歷史醫(yī)療影像數(shù)據(jù)分割結(jié)果；

17、根據(jù)若干歷史醫(yī)療影像數(shù)據(jù)分割結(jié)果，對優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型進行分割效果分析，得到實時分割效果分析結(jié)果；

18、根據(jù)實時分割效果分析結(jié)果，使用群智能優(yōu)化算法，對優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型的模型參數(shù)進行優(yōu)化，得到最終的醫(yī)療影像數(shù)據(jù)分割模型。

19、進一步地，多尺度特征融合網(wǎng)絡(luò)包括依次連接的多尺度輸入層、多尺度特征提取層以及多尺度特征輸出層；

20、引入注意力機制，對多尺度特征融合網(wǎng)絡(luò)進行改進，得到初始的醫(yī)療影像數(shù)據(jù)分割模型，包括如下步驟：

21、在多尺度特征融合網(wǎng)絡(luò)的多尺度輸入層與多尺度特征提取層之間，設(shè)置注意力生成層；

22、在多尺度特征融合網(wǎng)絡(luò)的多尺度特征提取層與多尺度特征輸出層之間，設(shè)置注意力加權(quán)融合層；

23、在多尺度特征輸出層之后，設(shè)置注意力調(diào)整層，得到初始的醫(yī)療影像數(shù)據(jù)分割模型。

24、進一步地，使用若干圖像處理后歷史醫(yī)療影像數(shù)據(jù)，對初始的醫(yī)療影像數(shù)據(jù)分割模型進行優(yōu)化訓(xùn)練，得到優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型，并生成若干歷史醫(yī)療影像數(shù)據(jù)分割結(jié)果，包括如下步驟：

25、將若干圖像處理后歷史醫(yī)療影像數(shù)據(jù)按照7:3的比例，劃分為模型訓(xùn)練集和模型測試集；

26、使用模型訓(xùn)練集，對初始的醫(yī)療影像數(shù)據(jù)分割模型進行優(yōu)化訓(xùn)練，得到訓(xùn)練的醫(yī)療影像數(shù)據(jù)分割模型，并生成若干歷史醫(yī)療影像數(shù)據(jù)分割結(jié)果；

27、使用模型測試集，對訓(xùn)練的醫(yī)療影像數(shù)據(jù)分割模型進行模型測試，得到若干預(yù)測標簽；

28、根據(jù)預(yù)測標簽與模型測試集中圖像處理后歷史醫(yī)療影像數(shù)據(jù)的真實標簽進行對比統(tǒng)計，得到模型測試準確率；

29、若模型測試準確率大于準確率閾值，則輸出優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型，否則，繼續(xù)進行優(yōu)化訓(xùn)練。

30、進一步地，根據(jù)若干歷史醫(yī)療影像數(shù)據(jù)分割結(jié)果，對優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型進行分割效果分析，得到實時分割效果分析結(jié)果，包括如下步驟：

31、提取若干歷史醫(yī)療影像數(shù)據(jù)分割結(jié)果的歷史特征向量，并對若干歷史特征向量進行標準化處理，得到若干標準化處理后歷史特征向量；

32、根據(jù)若干標準化處理后歷史特征向量，構(gòu)建特征空間，并使用k-nn算法，獲取特征空間中每一歷史特征向量的k個鄰居；

33、根據(jù)每一歷史特征向量的k個鄰居，進行分割效果分析，得到優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型的實時分割效果分析結(jié)果。

34、進一步地，根據(jù)每一歷史特征向量的k個鄰居，進行分割效果分析，得到優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型的實時分割效果分析結(jié)果，包括如下步驟：

35、獲取每一歷史特征向量與k個鄰居的歐式距離，并根據(jù)若干歐式距離的平均距離，得到分割效果一致性評分；

36、根據(jù)若干歐式距離的距離標準差，得到分割效果不確定性評分；

37、根據(jù)分割效果一致性評分和分割效果不確定性評分，得到優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型的實時分割效果分析結(jié)果。

38、進一步地，根據(jù)實時分割效果分析結(jié)果，使用群智能優(yōu)化算法，對優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型的模型參數(shù)進行優(yōu)化，得到最終的醫(yī)療影像數(shù)據(jù)分割模型，包括如下步驟：

39、根據(jù)實時分割效果分析結(jié)果，定義群智能優(yōu)化算法的優(yōu)化目標，并將優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型的模型參數(shù)編碼為群智能優(yōu)化算法的個體向量；

40、根據(jù)優(yōu)化目標和個體向量，使用群智能優(yōu)化算法，在搜索空間中進行迭代尋優(yōu)，得到最優(yōu)個體；

41、對最優(yōu)個體的個體向量進行解碼，得到優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型的最優(yōu)的模型參數(shù)；

42、根據(jù)最優(yōu)的模型參數(shù)，對優(yōu)化的醫(yī)療影像數(shù)據(jù)分割模型進行優(yōu)化，得到最終的醫(yī)療影像數(shù)據(jù)分割模型。

43、進一步地，采集實時醫(yī)療影像數(shù)據(jù)，并使用醫(yī)療影像數(shù)據(jù)分割模型，對實時醫(yī)療影像數(shù)據(jù)進行醫(yī)療影像數(shù)據(jù)分割，得到實時醫(yī)療影像數(shù)據(jù)分割結(jié)果，包括如下步驟：

44、采集實時醫(yī)療影像數(shù)據(jù)，并進行預(yù)處理，得到預(yù)處理后實時醫(yī)療影像數(shù)據(jù)，并將預(yù)處理后實時醫(yī)療影像數(shù)據(jù)輸入醫(yī)療影像數(shù)據(jù)分割模型；

45、使用多尺度輸入層，對預(yù)處理后實時醫(yī)療影像數(shù)據(jù)進行多尺度采樣，得到不同尺度的若干實時特征圖；

46、使用注意力生成層，根據(jù)若干實時特征圖，生成對應(yīng)的實時注意力權(quán)重值；

47、使用多尺度特征提取層，提取每一實時特征圖的實時影像特征；

48、使用注意力加權(quán)融合層，根據(jù)實時注意力權(quán)重值，對若干實時影像特征進行加權(quán)融合，得到實時加權(quán)融合特征；

49、使用多尺度特征輸出層，根據(jù)實時加權(quán)融合特征，輸出初始的實時醫(yī)療影像數(shù)據(jù)分割結(jié)果；

50、使用注意力調(diào)整層，根據(jù)實時注意力權(quán)重值，對初始的實時醫(yī)療影像數(shù)據(jù)分割結(jié)果進行精細化調(diào)整，得到最終的實時醫(yī)療影像數(shù)據(jù)分割結(jié)果。

51、一種醫(yī)療影像數(shù)據(jù)的分割系統(tǒng)，用于實現(xiàn)分割方法，系統(tǒng)包括依次連接的圖像處理單元、模型構(gòu)建單元以及數(shù)據(jù)分割單元。

52、本發(fā)明的有益效果為：

53、本發(fā)明提供的一種醫(yī)療影像數(shù)據(jù)的分割方法及系統(tǒng)，通過對歷史醫(yī)療影像數(shù)據(jù)進行圖像處理并設(shè)置真實標簽，可以為分割模型提供高質(zhì)量的訓(xùn)練數(shù)據(jù)，從而提高分割模型在實時醫(yī)療影像數(shù)據(jù)上的分割精度，精確地識別和分割復(fù)雜的醫(yī)療影像中的細微結(jié)構(gòu)，使得分割結(jié)果滿足臨床診斷的高精度要求；使用注意力多尺度融合深度學(xué)習(xí)算法構(gòu)建的模型能夠更好地捕捉醫(yī)療影像中的關(guān)鍵特征，提高模型對不同類型和來源的醫(yī)療影像數(shù)據(jù)的泛化能力，無需針對特定情況重新訓(xùn)練或調(diào)整模型；自動構(gòu)建醫(yī)療影像數(shù)據(jù)分割模型，減少了人工干預(yù)和參數(shù)調(diào)整的需求，實現(xiàn)了分割過程的自動化和智能化，減少因人為判斷不一致導(dǎo)致的錯誤，提高醫(yī)療影像分割的可靠性。

54、本發(fā)明的其他有益效果將在具體實施方式中進一步進行說明。