一种逐步精细的医学图像分割系统技术方案

本发明专利技术涉及一种逐步精细的医学图像分割系统，属于图像分割领域，包括输入模块、编码器模块、解码器模块、拼接形变解码器模块、并行注意力机制模块和输出模块；输入模块用于将医学图像输入编码器模块中；编码器模块用于对输入的医学图像进行特征提取；解码模块用于根据提取的特征图获得多尺度的医学图像分割结果；拼接形变解码器模块用于自适应地逐步融合多尺度特征信息，并自适应的选择最佳的感受野，搜索出潜在的不同形状和尺寸的前景目标；并行注意力机制模块用于在特征图中同时引入正注意力和逆注意力，正注意力用于增强前景的相关性特征，逆注意力则逐步挖掘边界信息和增强边界细节；输出模块用于输出分割后的图像结果。输出模块用于输出分割后的图像结果。输出模块用于输出分割后的图像结果。

【技术实现步骤摘要】
一种逐步精细的医学图像分割系统


[0001]本专利技术属于图像分割领域，涉及一种逐步精细的医学图像分割系统。

技术介绍

[0002]现有的医学图像分割系统主要分为两类，一类是基于传统方法的医学图像分割系统，该类系统都需要手工设计特征，可以在特定场景下进行有效分割，但在噪声较大、边界模糊的医学图像上，分割往往不准确，且泛化性较弱。另一类系统是基于深度学习卷积神经网络的医学图像分割系统，得益于卷积神经网络出色的特征提取能力，该类系统显著提升了医学图像分割的性能。然而，由于医学图像中存在的前景与背景边界模糊、对比度低、以及病灶或器官的形状、大小、颜色和质地在不同阶段变化较大等特性，导致对医学图像的准确分割仍然是一个非常具有挑战性的问题，现有的基于深度学习卷积神经网络的医学图像分割系统仍具有较大的提升空间。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种基于卷积神经网络的逐步精细的医学图像分割系统，能够更准确地捕获有用的上下文全局语义信息，以及自适应的选择最佳的感受野，以达到准确搜索出潜在前景目标的目的，同时引入正/逆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种逐步精细的医学图像分割系统，其特征在于：包括输入模块、编码器模块、解码器模块、拼接形变解码器模块、并行注意力机制模块和输出模块；所述输入模块用于将医学图像输入编码器模块中；所述编码器模块用于对输入的医学图像进行特征提取；所述解码模块用于根据提取的特征图获得多尺度的医学图像分割结果；所述拼接形变解码器模块用于自适应地逐步融合多尺度特征信息，并自适应的选择最佳的感受野，搜索出潜在的不同形状和尺寸的前景目标；并行注意力机制模块用于在特征图中同时引入正注意力和逆注意力，正注意力用于增强前景的相关性特征，逆注意力则逐步挖掘边界信息和增强边界细节；所述输出模块用于输出分割后的图像结果。2.根据权利要求1所述的逐步精细的医学图像分割系统，其特征在于：所述拼接形变解码器模块是将编码器模块的最后三个尺度的特征与可形变卷积结合到一起；首先利用拼接操作逐步融合编码器模块的最后三个尺度的深层语义特征，然后结合三个大小为3x3的可形变卷积层，根据病灶区域的形状来自适应的改变其感受野，集中提取出完整的病灶区域特征信息，搜索出潜在的不同形状和尺寸的前景病灶目标；具体过程如下：其中F
DConv
表示三个大小为3x3的可形变卷积层，F
Conv
表示一个大小为1x1的卷积层，F
C
表示拼接函数，表示通过双线性插值的方式进行2倍上采样，f3、f4以及f5为输入的特征值，Y表示经过CDD输出的特征图。3.根据权利要求1所述的逐步精细的医学图像分割系统，其特征在于：还包括：将拼接形变解码器模块解码输出的特征输入到一个大小为1x1的卷积层生成粗略的分割结果，用以全局引导后续的精细化准确分割。4.根据权利要求1所述的逐步精细的医学图像分割系统，其特征在于：所述并行注意力机制模块的实现具体包括：将高级语义特征{f
i
,i＝3,4,5}沿通道方向分成8组，并复制得到两份分组，将其中一份的每一组特征拼接正注意力，另一份的每一组特征拼接逆注意力，然后分别用卷积融合，最后与输入的高级语义特征残差连接；通过以下公式将f
i
特征均分8组：F
S
(f
i
)
→
{f
i，1
,...,f
i,j
,...,f
i,8
}其中F
S
表示沿通道方向的切片函数，f
i
表示由ResNet34提取的特征，i∈{3,4,5}，f
i,j
表示将f
i
切片得到的特征，j∈{1,...,8}；用正注意力计算逆注意力的公式如下：r
k
＝1
‑
Sigmod(c
k
)首先用Sigmod函数将正注意力映射到(0,1...

【专利技术属性】
技术研发人员：唐述，张国力，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：