一种基于T型注意力结构的医学图像分割方法技术

本发明专利技术提供一种基于T型注意力结构的医学图像分割方法。本发明专利技术提出了一种用于医学图像分割的改进的U‑Net模型，在U‑Net网络的解码网络结构中引入带有T注意力模块的门控注意力机制，在编码网络结构和解码网络结构中加入ResNet残差模块；通过带有T注意力模块的门控注意力机制，可以将浅层的输入图像的全局特征信息提取出来，解决了之前因为直接进行跳跃结构引起的图像特征不充分问题。并且T注意力模块之间共享模型参数，降低时间和空间复杂度。对于每一个卷积层，加入了残差模块，解决了训练过程中梯度消失和爆炸问题，网络训练时更容易优化。

【技术实现步骤摘要】
一种基于T型注意力结构的医学图像分割方法
本专利技术属于深度学习
，尤其针对医学图像分割，具体涉及一种基于T型注意力结构的新型U-Net的医学图像分割方法。
技术介绍
目前由于深度学习的快速发展，对许多领域产生了重大的影响。医学图像分割作为一种难度较大的视觉任务，遇到的成像数据集的多样性和个体特性是引起人们持久兴趣的重要原因：在考虑队列大小、图像维数、图像大小、体素强度范围和强度解释时，数据集差异极大。图像中的类标签可能是高度不平衡的，标签可能是模糊的，而专家注释的质量在不同的数据集之间有很大的差异。此外，某些数据集在图像几何形状方面是非常不均匀的，或者可能会出现切片错位。在目前的医学图像分割领域中，应用最为广泛，效果最好的是U-Net，采用的编码器(下采样)-解码器(上采样)结构和跳跃连接是一种非常经典的设计方法。但是U-Net网络的跳跃结构有一个缺点，将每一步上采样的结果不经过处理就连接到解码层导致其浅层特征可能变换不充分。近年来，基于全卷积网络的语义分割框架研究取得了显著进展，但是还有一些问题有待解决，医学图像由于其本文档来自技高网...

【技术保护点】
1.一种基于T型注意力结构的医学图像分割方法，其特征在于，步骤如下：/n步骤一、对医学图像数据进行预处理，并进行数据划分得到训练集和测试集；/n步骤二、对U-Net网络进行改进，获得预测模型：/n在U-Net网络的解码网络结构中引入带有T注意力模块的门控注意力机制，在编码网络结构和解码网络结构中加入ResNet残差模块；/n步骤三、将训练集数据输入预测模型中进行训练；/n将训练集输入预测模型中，采用随机初始化和随机梯度下降优化的方法；设置初始学习率、分割层学习率、动量、权重衰减系数；根据设置好的训练策略进行训练，得到训练后的网络模型；/n步骤四、将测试集数据集输入步骤三中训练好的预测模型中，获...

【技术特征摘要】
1.一种基于T型注意力结构的医学图像分割方法，其特征在于，步骤如下：
步骤一、对医学图像数据进行预处理，并进行数据划分得到训练集和测试集；
步骤二、对U-Net网络进行改进，获得预测模型：
在U-Net网络的解码网络结构中引入带有T注意力模块的门控注意力机制，在编码网络结构和解码网络结构中加入ResNet残差模块；
步骤三、将训练集数据输入预测模型中进行训练；
将训练集输入预测模型中，采用随机初始化和随机梯度下降优化的方法；设置初始学习率、分割层学习率、动量、权重衰减系数；根据设置好的训练策略进行训练，得到训练后的网络模型；
步骤四、将测试集数据集输入步骤三中训练好的预测模型中，获得分割数据。


2.根据权利要求1所述的一种基于T型注意力结构的医学图像分割方法，其特征在于，进一步的，步骤一对获取的医学图像数据进行预处理，并进行数据划分得到训练集，验证集和测试集，具体操作如下；
将医学图像大小统一为n*n的正方形形状，将医学图像数据集中百分之八十的样本作为训练集，剩下的百分之二十的样本作为测试集；在训练和测试阶段采用了基于图像分块patch-based的方法，将训练集的每一张图片划分成多个小块，每一个小块就称为patch；将训练集划分的patch90％作为训练数据，10％作为验证数据。


3.根据权利要求2所述的一种基于T型注意力结构的医学图像分割方法，其特征在于，优选的，在步骤二中预测模型包括：编码网络结构和解码网络结构，编码网络结构包括4个卷积层，3个最大池化层，解码网络结构包括3个上采样层和3个卷积层；其中每个卷积层包含三个卷积块操作，将编码网络结构和解码网络结构中每一个卷积层的最后两个卷积块替换成残差卷积块；为了将编码网络结构最后一层和之前更浅层的预测结合起来，加入...

【专利技术属性】
技术研发人员：颜成钢，杨祥宇，杨建，张二四，孙垚棋，张继勇，张勇东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33