一种基于自适应尺度的医学图像分割方法技术

本发明专利技术提供一种基于自适应尺度的医学图像分割方法，该方法包括以下步骤：通过设置一个具有不同膨胀卷积的平行卷积层模块用来提取不同尺度下的图像特征；引入一个注意力模块，该模块输入的是一个联合特征图，该特征图聚合了局部和全局特征，通过多层卷积得到一个注意力特征图，每层注意力特征图分别对应平行卷积层中相应层特征的权重；引入了一个多尺度融合模块，通过注意力特征图聚合来自平行卷积层的不同尺度下的特征。本发明专利技术通过注意力图聚合来自平行卷积层的不同尺度下的特征，从而实现网络自适应选择尺度，保证了高噪声复杂场景的医学图像分割的准确性。的医学图像分割的准确性。的医学图像分割的准确性。

【技术实现步骤摘要】
一种基于自适应尺度的医学图像分割方法


[0001]本专利技术属于计算机视觉领域，尤其涉及一种基于自适应尺度的医学图像分割方法。

技术介绍

[0002]在过去的几年中，各种2D和3D深度学习分割算法受到了研究人员的广泛关注，现有文献中用于语义分割的深度学习方法主要分为两类，一类基于编码器
‑
解码器架构，另一类基于膨胀卷积架构。
[0003]通常，前者通过编码器提取多层特征并与解码器进行融合以得到分割获得结果图，而后者通过设置一定大小的膨胀半径提取较大感受野下的特征，最后得到一个分割结果图。尽管这些方法已经取得了瞩目的进展，但是仍然存在一些挑战。具体来说，前者容易丢失一定的空间信息，可能造成边缘分割不精确，后者不使用下采样，保留空间信息，但是需要提前决定膨胀半径的大小，且对于噪声异常敏感。因此，当图像特征模糊，或者存在局部噪声影响时，这些方法往往难以达到令人满意的效果。
[0004]因此，提出种基于自适应尺度的医学图像分割方法，通过少量的下采样操作，减少空间信息的丢失，通过注意力机制融合多尺度特征，使得网络能够适用于高噪声的复杂场景，保证了高噪声复杂场景的医学图像分割的准确性。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种基于自适应尺度的医学图像分割方法，该方法包括以下步骤：
[0006]步骤1：通过设置一个具有不同膨胀卷积的平行卷积层模块用来提取不同尺度下的图像特征；
[0007]步骤2：引入一个注意力模块，该模块输入的是一个联合特征图，该特征图聚合了局部和全局特征，通过多层卷积得到一个注意力特征图，每层注意力特征图分别对应平行卷积层中相应层特征的权重；
[0008]步骤3：引入了一个多尺度融合模块，通过注意力特征图聚合来自平行卷积层的不同尺度下的特征。
[0009]优选的，所述的平行卷积层模块能够设置具有不同膨胀卷积的平行卷积层，用来提取不同尺度下的图像特征，其主要步骤包括：
[0010]给定一个由主干CNN提取的特征图P作为输入，通过一个具有不同膨胀卷积的平行卷积层用来提取不同尺度下的图像特征，其可以定义如下：
[0011][0012]其中，表示以d
i
为膨胀半径进行图像的特征提取，i∈[1，K]，K是一个可调的参数，实验中K＝4，通过不同膨胀半径d
i
提取图像特征，得到的特征图具有不同的感
受野，其中每一层的感受野计算如下：
[0013]r
i
＝r
p
+d
i
(e
‑
1)s
[0014]其中e为卷积核大小，s为步长，r
p
为输入时的感受野。
[0015]优选的，所述的注意力模块能够基于图像的局部和全局的特征生成对于来自平行卷积层的依赖系数，主要步骤包括：
[0016]给定一个由主干CNN提取的特征图P作为输入，融合图像的全局特征得到一个多尺度的联合特征，具体定义如下：
[0017]G＝[P，B(h(P))][0018]其中h(
·
)为最大池化，B(
·
)表示Broadcast[
·
]，表示聚合操作，最后通过如下公式计算注意力系数：
[0019]P
′
＝f
ReLU
(Conv1(G))
[0020]σ＝f(Conv2(P
′
))
[0021]其中，Conv1为卷积操作，卷积核大小为1，f
ReLU
为非线性激活函数ReLU，输出通道为256；
[0022]Conv2为卷积操作，卷积核大小为1，f为SoftMax激活函数，输出通道为4，σ＝[σ1，σ2，σ3，σ4]，分别对应平行卷积层的融合权重，其中，σ
i
表示第i层的权重，通过这种方式网络能够自适应的选择一个最佳的特征图。
[0023]优选的，所述的多尺度融合模块合并了来自平行卷积层的不同尺度下的特征图，通过以下公式聚合多尺度的特征图：
[0024][0025]其中，H
i
表示平行卷积层模块第i层的输出，σ
i
为注意力模块第i个通道，
·
表示逐元素乘法，最终的F为融合后的多尺度特征图，该特征图对不同的尺度的依赖程度是不同的，网络能够通过局部和全局特征学习一个关于尺度的注意力系数。
[0026]与现有技术相比，本专利技术的有益效果为：本专利技术通过提出平行卷积层模块，使得网络能够提取不同尺度的特征，增强模型的决策力，避免网络错误的对模糊特征进行决策，通过提出的注意力模块来计算不同尺度的权重，使得网络能够基于局部和全局的图像特征生成来自平行卷积层的各个输出的系数，通过注意力图聚合来自平行卷积层的不同尺度下的特征，从而实现网络自适应选择尺度，保证了高噪声复杂场景的医学图像分割的准确性。
附图说明
[0027]图1为本专利技术的总体架构图；
[0028]图2为本专利技术的自适应尺度图；
[0029]图3为本专利技术的注意力系数图；
[0030]图4为对比例1中本专利技术的方法与其它方法的准确率对比图。
具体实施方式
[0031]以下结合附图对本专利技术做进一步描述：
[0032]实施例：
[0033]如附图1所示，本专利技术选取编码器、解码器作为骨干网络，解码器用来提取图像特征，实现目标定位，解码器通过引入编码器的特征，融合空间信息，实现图像的精准分割，如附图2所示，为所提出的自适应模块，涵盖了三个核心的组成部分，包括平行卷积层模块、注意力模块和多尺度融合模块。
[0034]一种基于自适应尺度的医学图像分割方法，所述方法步骤如下：
[0035]步骤1：
[0036]通过设置一个具有不同膨胀卷积的平行卷积层模块，来提取不同尺度下的图像特征，提升网络的决策力，避免在模糊特征上的决策错误。
[0037]给定一个由主干CNN提取的特征图P作为输入，通过一个具有不同膨胀卷积的平行卷积层用来提取不同尺度下的图像特征，其可以定义如下：
[0038][0039]其中，表示以d
i
为膨胀半径进行图像的特征提取，i∈[1，K]，K是一个可调的参数，实验中K＝4，通过不同膨胀半径d
i
提取图像特征，得到的特征图具有不同的感受野，其中每一层的感受野计算如下：
[0040]r
i
＝r
p
+d
i
(e
‑
1)s
[0041]其中e为卷积核大小，s为步长，r
p
为输入时的感受野。如附图2所示，本文设置了四层卷积，分别设置d1＝2，d2＝4，d3＝12，d4＝16。
[0042]步骤2：
[0043]为了得到每一个中心像素的最佳尺度，引入一个注意力模块，该模块的输入是一个联本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应尺度的医学图像分割方法，其特征在于，该方法包括以下步骤：步骤1：通过设置一个具有不同膨胀卷积的平行卷积层模块用来提取不同尺度下的图像特征；步骤2：引入一个注意力模块，该模块输入的是一个联合特征图，该特征图聚合了局部和全局特征，通过多层卷积得到一个注意力特征图，每层注意力特征图分别对应平行卷积层中相应层特征的权重；步骤3：引入了一个多尺度融合模块，通过注意力特征图聚合来自平行卷积层的不同尺度下的特征。2.如权利要求1所述的一种基于自适应尺度的医学图像分割方法，其特征在于，所述的平行卷积层模块能够设置具有不同膨胀卷积的平行卷积层，用来提取不同尺度下的图像特征，其主要步骤包括：给定一个由主干CNN提取的特征图P作为输入，通过一个具有不同膨胀卷积的平行卷积层用来提取不同尺度下的图像特征，其可以定义如下：其中，表示以d
i
为膨胀半径进行图像的特征提取，i∈[1，K]，K是一个可调的参数，实验中K＝4，通过不同膨胀半径d
i
提取图像特征，得到的特征图具有不同的感受野，其中每一层的感受野计算如下：r
i
＝r
p
+d
i
(e
‑
1)s其中e为卷积核大小，s为步长，r
p
为输入时的感受野。3.如权利要求1所述的一种基于自适应尺度的医学图像分割方法，其特征在于，所述的注意力模块能够基于图像的局部和全局的特征生成对于来自平行卷积层的依赖系数，主要步...

【专利技术属性】
技术研发人员：王鸿鹏，黎正鑫，张瑞勋，
申请(专利权)人：南开大学，
类型：发明
国别省市：