一种基于注意力Unet模型的医学图像语义分割方法技术

本发明专利技术公开一种基于注意力Unet模型的医学图像语义分割方法，包括以下步骤：S1、对图片进行预处理，包括图像的裁切、偏差校正、增强；S2、将处理后的图片输入Unet模型，Unet模型包括特征提取部分、上采样部分，在上采样部分的可分离卷积操作中均进行全局范围注意力筛选；S3、使用准备好的数据对Unet模型进行训练；S4、评估Unet模型的分割效果。本发明专利技术利用PA机制对底层细粒度特征进行局部范围注意力筛选，利用DA机制对高层语义特征进行全局范围的注意力筛选，减少假阳问题和漏检问题。

【技术实现步骤摘要】
一种基于注意力Unet模型的医学图像语义分割方法
本专利技术涉及机器学习领域，尤其涉及一种基于注意力Unet模型的医学图像语义分割方法。
技术介绍
医学图像分割是医学图像处理与分析领域的复杂而关键的步骤，其目的是将医学图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断。由于医学图像自身的复杂性，在分割过程中需要解决不均匀及个体差异等一系列问题，所以一般的图像分割方法难以直接应用于医学图像分割。当前，医学图像分割仍在从手动分割或半自动分割向全自动分割发展。传统图像分割方法如基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法都能够应用于解决医学图像分割问题。然而，由于成像设备、成像原理以及个体自身差异的影响，医学图像一般会含有很多噪声，以及医学图像错综复杂的内容形态，这些传统的方法在实现精准分割方面仍然非常困难。尽管诸如Unet等基于深度学习技术的医学图像分割模型已经取得了显著进步，然而由于医学图像的标注难度较大，训练数据集较小，使得基于深本文档来自技高网...

【技术保护点】
1.一种基于注意力Unet模型的医学图像语义分割方法，其特征在于包括以下步骤：/nS1、对图片进行预处理，包括图像的裁切、偏差校正、增强；/nS2、将处理后的图片输入Unet模型，Unet模型包括特征提取部分、上采样部分，在上采样部分的可分离卷积操作中均进行全局范围注意力筛选；/nS3、使用准备好的数据对Unet模型进行训练；/nS4、评估Unet模型的分割效果。/n

【技术特征摘要】
1.一种基于注意力Unet模型的医学图像语义分割方法，其特征在于包括以下步骤：
S1、对图片进行预处理，包括图像的裁切、偏差校正、增强；
S2、将处理后的图片输入Unet模型，Unet模型包括特征提取部分、上采样部分，在上采样部分的可分离卷积操作中均进行全局范围注意力筛选；
S3、使用准备好的数据对Unet模型进行训练；
S4、评估Unet模型的分割效果。


2.根据权利要求1所述的分割方法，其特征在于：步骤S2中，对于特征提取部分和上采样部分之间的复制裁剪操作进行局部范围注意力筛选。


3.根据权利要求2所述的分割方法，其特征在于：局部注意力筛选的方法包括以下步骤，
A1、设输入，首先利用将输入X转换成，
A2、对经过变换得到注意力图，表达式如下



其中表示sigmoid激活函数，表示以核为的卷积操作，
A3、利用得到最终输出，表达式如下


。



4.根据权利要求3所述的分割方法，其特征在于：步骤A2中，对经过的变换包括最大池化、平均...

【专利技术属性】
技术研发人员：杨永全，郑众喜，李丽，冯敏，陈杰，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：四川;51