本發明涉及醫學圖像處理領域，尤其涉及一種基于mobilesam的輕量級乳腺腫塊mri自動分割方法。
背景技術：
1、乳腺癌是全球女性發病率最高的惡性腫瘤，早期精準診斷是提升患者生存率的關鍵。乳腺磁共振成像（mri）憑借其高軟組織分辨率、多序列成像能力，已成為乳腺癌篩查、診斷及療效評估的重要影像學手段。相較于乳腺x線攝影，mri對致密型乳腺及多灶性、多中心性病變的檢出具有顯著優勢。然而，mri圖像本身具有數據復雜度高、組織對比度低、噪聲干擾明顯等特點，尤其是乳腺腫塊常表現出邊緣模糊（如毛刺狀、浸潤性生長）、形態不規則、尺度差異大（特別是小目標病灶）等特征，這些因素給醫生的人工判讀帶來較大主觀差異與時間成本，也使得全自動、高精度的計算機輔助分割面臨嚴峻挑戰。
2、近年來，基于深度學習的醫學圖像分割方法取得了顯著進展，尤其是以u-net為代表的編碼器-解碼器架構及其衍生模型（如u-net++、attention?u-net）在諸多醫學圖像分割任務中表現出色。然而，在針對乳腺mri腫塊分割這一特定任務時，此類通用架構仍存在明顯局限性：其一，模型在應對低對比度區域、小尺度腫塊及復雜腺體背景時，易出現分割邊界粗糙、小病灶漏檢或與周圍組織粘連等問題；其二，模型性能嚴重依賴大規模高質量標注數據，而醫學影像的標注成本極高，且標注一致性難以保證。
3、與此同時，2023年meta提出的“分割一切模型”（segment?anything?model,?sam）開創了通用視覺分割的新范式，其通過提示交互可實現零樣本泛化分割。然而，原始sam模型基于vit-huge架構，參數量高達637m，計算與存儲開銷巨大，難以在臨床常用硬件設備上實時部署。更為關鍵的是，sam的設計初衷是針對自然圖像的通用分割與交互式編輯，其預訓練數據與任務目標與醫學影像存在顯著領域差異，直接遷移至乳腺mri分割時，往往面臨對醫學特異性特征（如弱邊界、小目標）建模不足、分割結果不穩定等問題，且其依賴點、框等交互提示的工作模式，無法滿足臨床大規模篩查對全自動、非交互操作流程的迫切需求。
4、因此，如何在保證模型輕量化與推理效率的基礎上，針對模糊浸潤邊界與小目標病灶，構建更加精細、可泛化且可臨床部署的分割建模機制，成為當前乳腺癌mri圖像分割領域的研究重點與難點。
技術實現思路
1、針對現有技術存在的上述不足，本發明提供了一種基于mobilesam的輕量級乳腺腫塊mri自動分割方法，通過構建輕量化的mobilesam編碼支路與包含可分離空洞金字塔融合模塊及坐標-通道-空間聯合注意力門控模塊的解碼支路，解決了現有技術中乳腺mri腫塊分割模型參數量大、計算開銷高，且對小目標腫塊及模糊邊界分割精度不足、難以在資源受限場景下實現全自動精準分割的技術問題。
2、為了解決上述技術問題，本發明采用了如下技術方案：
3、一種基于mobilesam的輕量級乳腺腫塊mri自動分割方法，獲取待檢測的乳腺mri圖像，將所述待檢測的乳腺mri圖像輸入至預訓練好的乳腺腫塊mri圖像分割模型，輸出得到所述待檢測的乳腺mri圖像的像素級乳腺腫塊分割結果；
4、所述乳腺腫塊mri圖像分割模型包括編碼支路和解碼支路；所述編碼支路包括依次連接的淺層卷積特征提取模塊和帶適配器的mobilesam編碼模塊，用于對輸入的乳腺mri圖像進行多尺度特征提取與域適配，分別輸出包括淺層細節與深層語義的多級特征圖；所述解碼支路包括依次連接的可分離空洞金字塔融合模塊和坐標-通道-空間聯合注意力門控模塊，用于對編碼支路輸出的所述多級特征圖進行跨尺度聚合、注意力篩選及分辨率逐級恢復，最終輸出與輸入的乳腺mri圖像同分辨率的像素級腫塊分割掩膜作為像素級乳腺腫塊分割結果進行輸出。
5、作為優選方案，所述淺層卷積特征提取模塊包括級聯的兩個卷積單元，各卷積單元包括級聯的3×3卷積層、bn層與relu激活層；
6、輸入特征圖作為第一個卷積單元的輸入，通過3×3卷積層進行特征提取，并通過bn層進行歸一化處理后，通過relu激活層進行非線性激活，得到初級特征；第一個卷積單元輸出的初級特征作為第二個卷積單元的輸入進行淺層特征提取，并執行與第一個卷積單元相同的操作后，第二個卷積單元輸出得到的原尺度的淺層特征圖作為淺層卷積特征提取模塊的輸出。
7、作為優選方案，所述帶適配器的mobilesam編碼模塊包括依次連接的淺層編碼單元、3個tinyvit編碼單元以及3個reshape卷積單元；所述淺層編碼單元包括級聯的切分嵌入單元和mbconv模塊，所述tinyvit編碼單元包括級聯的下采樣融合單元和帶適配器的tinyvit注意力模塊；
8、在帶適配器的mobilesam編碼模塊中，將淺層卷積特征模塊得到的原尺度的淺層特征圖作為淺層編碼單元的輸入進行初始編碼，輸出1/2尺度的第一編碼特征圖；淺層編碼單元的輸出作為第一tinyvit編碼單元的輸入，第一tinyvit編碼單元的輸出分別作為第二tinyvit編碼單元和第一reshape卷積單元的輸入，經第一reshape卷積單元處理后輸出1/4尺度的第二編碼特征圖；第二tinyvit編碼單元的輸出分別作為第三tinyvit編碼單元的輸入和第二reshape卷積單元的輸入，經第二reshape卷積單元處理后輸出1/8尺度的第三編碼特征圖；第三tinyvit編碼單元的輸出作為第三reshape卷積單元的輸入，經第三reshape卷積單元處理后輸出1/16尺度的第四編碼特征圖；
9、將第一編碼特征圖、第二編碼特征圖、第三編碼特征圖和第四編碼特征圖作為編碼支路輸出的包括淺層細節與深層語義的多級特征圖。
10、作為優選方案，所述mbconv模塊包括級聯的第一1×1卷積層、第一gelu激活層、3×3深度卷積層、第二gelu激活層、第二1×1卷積層、下降路徑層和第三gelu激活層，其中，下降路徑層的輸出與mbconv模塊的輸入進行殘差相加后，經第三gelu激活層后得到mbconv模塊的輸出；
11、所述帶適配器的tinyvit注意力模塊包括依次連接的窗口注意力子模塊和mlp子模塊；所述窗口注意力子模塊包括級聯的層歸一化層、窗口注意力層和下降路徑層，以及在下降路徑層之后串聯接入的第一適配器，其中，所述第一適配器的輸出與窗口注意力子模塊的輸入進行殘差相加后，作為窗口注意力子模塊的輸出；所述mlp子模塊包括級聯的局部深度卷積層、層歸一化層、mlp層和下降路徑層，以及在下降路徑層之后并聯接入的第二適配器，其中，所述窗口注意力子模塊的輸出作為局部深度卷積層的輸入，局部深度卷積層的輸出分別作為層歸一化層的和第二適配器的輸入，層歸一化層的輸出依次經mlp層、下降路徑層處理后，與第二適配器的輸出進行殘差相加，得到mlp子模塊的輸出，作為tinyvit注意力模塊的整體輸出；
12、其中，所述第一適配器和第二適配器均包括下投影層、第一gelu激活層、上投影層和第二gelu激活層，第二gelu激活層的輸出與適配器的輸入進行殘差相加后，作為所述第一適配器和第二適配器的輸出。
13、作為優選方案，所述解碼支路包括四個尺度的可分離空洞金字塔融合模塊，以及與四個尺度的可分離空洞金字塔融合模塊一一對應的四個尺度的坐標-通道-空間聯合注意力門控模塊和四個尺度的解碼重建雙卷積模塊；
14、所述解碼支路的輸入包括淺層特征圖、第一編碼特征圖、第二編碼特征圖、第三編碼特征圖和第四編碼特征圖；原尺度的可分離空洞金字塔融合模塊的輸入包括淺層特征圖、第一編碼特征圖、第二編碼特征圖、第三編碼特征圖和第四編碼特征圖五級特征圖；1/2尺度的可分離空洞金字塔融合模塊的輸入包括第一編碼特征圖、第二編碼特征圖、第三編碼特征圖和第四編碼特征圖四級特征圖；1/4尺度的可分離空洞金字塔融合模塊的輸入包括第二編碼特征圖、第三編碼特征圖和第四編碼特征圖三級特征圖；1/8尺度的可分離空洞金字塔融合模塊的輸入包括第三編碼特征圖和第四編碼特征圖兩級特征圖；
15、在解碼支路中，將1/16尺度的第四編碼特征圖作為逐級上采樣的起點，經雙線性上采樣后得到1/8尺度的第四上采樣特征圖；將第四上采樣特征圖與1/8尺度的可分離空洞金字塔融合模塊輸出的融合跳躍特征一起輸入給1/8尺度的坐標-通道-空間聯合注意力門控模塊，并將輸出的1/8尺度的跳躍特征圖輸入給1/8尺度的解碼重建雙卷積模塊后，再經雙線性上采樣，得到1/4尺度的第三上采樣特征圖；
16、將第三上采樣特征圖與1/4尺度的可分離空洞金字塔融合模塊輸出的融合跳躍特征一起輸入給1/4尺度的坐標-通道-空間聯合注意力門控模塊，并將輸出的1/4尺度的跳躍特征圖輸入給1/4尺度的解碼重建雙卷積模塊后，再經雙線性上采樣，得到1/2尺度的第二上采樣特征圖；
17、將第二上采樣特征圖與1/2尺度的可分離空洞金字塔融合模塊輸出的融合跳躍特征一起輸入給1/2尺度的坐標-通道-空間聯合注意力門控模塊，并將輸出的1/2尺度的跳躍特征圖輸入給1/2尺度的解碼重建雙卷積模塊后，再經雙線性上采樣，得到原尺度的第一上采樣特征圖；
18、將第一上采樣特征圖與原尺度的可分離空洞金字塔融合模塊輸出的融合跳躍特征一起輸入給原尺度的坐標-通道-空間聯合注意力門控模塊，并將輸出的原尺度的跳躍特征圖輸入給原尺度的解碼重建雙卷積模塊后，再經雙線性上采樣和1×1卷積映射，輸出與輸入乳腺mri圖像同分辨率的像素級腫塊分割掩膜，作為解碼支路的整體輸出。
19、作為優選方案，所述可分離空洞金字塔融合模塊的處理步驟包括：將輸入的多級特征圖對齊至目標尺度，并在通道維度拼接，得到該尺度的融合輸入特征圖；對所述融合輸入特征圖進行1×1卷積降維處理，得到降維特征圖；構建多個并行分支，每個分支采用深度可分離空洞卷積對所述降維特征圖進行處理，其中，各分支的空洞率按分支序號遞增設置；對各分支輸出的特征圖進行二維隨機dropout處理，將處理后的各分支特征圖在通道維度拼接，得到多分支拼接特征圖；對所述多分支拼接特征圖進行1×1卷積融合處理，得到該尺度的融合跳躍特征。
20、作為優選方案，所述坐標-通道-空間聯合注意力門控模塊包括坐標注意力分支、通道注意力分支和空間注意力分支；其中，所述坐標-通道-空間聯合注意力門控模塊的輸入包括對應尺度的上采樣特征圖和融合跳躍特征，并將上采樣特征圖作為引導特征，以依次對融合跳躍特征特征進行水平和垂直坐標注意力增強、全局通道注意力增強以及空間位置注意力增強處理；
21、在坐標-通道-空間聯合注意力門控模塊中，將輸入的對應尺度的上采樣特征圖和融合跳躍特征進行通道拼接后，作為坐標注意力分支的輸入，分別通過沿水平方向和沿垂直方向的全局平均池化層進行水平和垂直方向的特征壓縮，得到水平方向池化特征圖和垂直方向池化特征圖后，在通道維度進行拼接并通過卷積層進行處理，將處理后的特征圖拆分為兩個獨立的特征圖，分別通過sigmoid激活后，與輸入特征圖進行殘差相加，得到經坐標注意力增強的特征圖；
22、將經坐標注意力增強的特征圖作為通道注意力分支的輸入，分別通過全局平均池化層和全局最大池化層進行全局空間信息的壓縮，得到平均池化特征圖和最大池化特征圖后，通過共享多層感知機對平均池化特征圖和最大池化特征圖進行處理，并進行逐元素相加，將相加后的特征圖通過sigmoid激活層后，與通道注意力分支的輸入特征圖進行殘差相加，得到經通道注意力增強的特征圖；
23、將經通道注意力增強的特征圖作為空間注意力分支的輸入，通過通道壓縮將輸入特征圖在通道維度進行壓縮，得到空間注意力特征圖，將空間注意力特征圖通過7×7卷積處理后，通過sigmoid激活將卷積處理后的特征圖映射為空間注意力權重，將空間注意力權重與輸入特征圖進行殘差相加，得到經空間注意力增強的特征圖；
24、將經空間注意力增強的特征圖通過sigmoid激活后，與坐標-通道-空間聯合注意力門控模塊的輸入進行殘差相加，輸出得到經坐標-通道-空間聯合注意力門控模塊門控后的跳躍特征圖。
25、作為優選方案，所述乳腺腫塊mri圖像分割模型通過如下方式進行訓練：
26、將預先完成腫塊區域像素級標注的乳腺mri圖像作為訓練樣本，構成訓練樣本集，輸入至所述乳腺腫塊mri圖像分割模型，并構建由分割區域損失和邊緣預測損失構成的總損失函數，以最小化總損失函數為目標對乳腺腫塊mri圖像分割模型的模型參數進行優化更新，進而對乳腺腫塊mri圖像分割模型進行訓練。
27、作為優選方案，所述分割區域損失為：
28、；
29、式中，為分割區域損失函數；為區域bce損失函數；為區域dice損失函數；
30、所述區域bce損失函數為：
31、；
32、式中，為圖像中的像素總數；為第個像素的真實標簽；為模型預測的第個像素屬于腫塊區域的概率；
33、所述區域dice損失函數為：
34、；
35、式中，為模型預測的第個像素屬于腫塊區域的概率；為第個像素的真實標簽；為一個極小的常數；
36、所述邊緣預測損失為：
37、；
38、式中，為邊緣預測損失函數；為邊緣bce損失函數；邊緣dice損失函數；
39、所述邊緣bce損失函數為：
40、；
41、式中，為第個像素的預測邊緣強度；為第個像素的真實邊緣標簽；
42、。
43、作為優選方案，所述總損失函數為：
44、；
45、式中，為總損失函數。
46、與現有技術相比，本發明具有如下技術效果：
47、1、本發明通過構建基于mobilesam的輕量化編碼支路，并引入適配器實現乳腺mri圖像的領域自適應微調，在凍結主干大部分參數的前提下僅優化少量增量參數，顯著降低了模型的可訓練參數量與微調成本，有效解決了通用大模型在資源受限場景下難以部署的問題，實現了模型輕量化與高分割精度的兼顧。
48、2、本發明在解碼支路采用金字塔式多尺度特征融合機制，設計可分離空洞金字塔融合模塊，采用多分支深度可分離空洞卷積并行提取不同感受野的上下文信息，通過跨尺度特征聚合增強了對小目標腫塊及低對比度模糊邊界的特征判別能力，以及對形態差異顯著病灶喝復雜背景干擾的辨識與分割能力；進一步的，在跳躍連接融合過程中引入坐標-通道-空間聯合注意力門控模塊，以解碼語義特征為引導對融合跳躍特征進行多維度篩選與增強，強化對病灶空間位置信息、通道依賴關系與關鍵邊界響應的聯合建模，從而降低逐級恢復過程中細節信息丟失風險并提升小目標與模糊邊界的分割精度。
49、3、與現有的交互式分割方法通常需要額外的提示信息（如點/框/文本提示）才能完成目標區域定位不同，本發明在訓練過程中引入邊緣預測損失函數，通過sobel算子顯式監督腫塊邊緣區域的預測質量，進一步強化了模型對毛刺狀、浸潤性邊界的刻畫能力，最終，本發明實現了無需人工提示的端到端全自動分割，在保持低訓練成本與快速推理的同時，顯著提升了乳腺mri圖像中腫塊分割的精度、魯棒性與臨床實用性。