一种基于长短距离特征的医学图像分割方法技术

本发明专利技术涉及一种基于长短距离特征的医学图像分割方法。利用Pytorch深度学习框架搭建基于长短距离特征的医学图像分割网络，采用以transformer和卷积网络为基础的编码器和解码器的设计模式，通过MEtransformer模块、卷积特征提取模块、全局局部特征融合模块和反卷积解码器模块四部分的处理，从输入的医学影像中分割可疑的病变区域。本发明专利技术对于多种不同区域的病变图像数据集均具有较好的分割性能，分割效果稳定，边缘较为清晰。边缘较为清晰。边缘较为清晰。

【技术实现步骤摘要】
一种基于长短距离特征的医学图像分割方法


[0001]本专利技术属于医学图像分割
，具体涉及一种基于长短距离特征的医学图像分割方法。

技术介绍

[0002]随着医学技术的进步，各种新式医疗设备问世，这些设备所采集到的人体内部图像(常见的有CT，MRI等)为医学诊断过程提供了极大的便利。以往的图像分析工作主要由专业医师完成，但是由于医学专家的稀缺性，临床上需要一种基于计算机软件的辅助诊断系统，能够自动划分图像中的病变区域。如何提高辅助系统的分割精度和分割速度是当前的研究热点之一。
[0003]深度学习是当前最热门的图像处理方法，其通过有正确标注的图像样本进行有监督学习，从而完成分类、分割、检测等任务。与自然图像分割相比较，医学图像分割的主要不同之处在于数据方面：首先医学图像标注需要医学专业知识，在数据集获取方面比自然图像难度更大，花费更多，因此公开数据集样本量相对较小；其次医学图像在形态和颜色上相似度更大，病变区域更隐蔽；最后，医学图像分割技术一般用于医学辅助系统，对于稳定性和即时性有更高的要求。
[0004]目前，学者们在医本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短距离特征的医学图像分割方法，其特征在于，包括以下步骤：步骤1，首先将训练集中图像裁剪为C
×
H
×
W的尺寸，将裁剪后的训练集图片进行随机上下、水平翻转实现数据扩充，然后划分训练集和测试集；步骤2，构建基于长短距离特征的医学图像分割网络；采用以transformer和卷积网络为基础的编码器和解码器的设计模式，编码器模块由卷积特征提取模块、MEtransformer模块和全局局部特征融合模块组成；首先图像张量通过两个卷积特征提取模块进行初步特征提取后，并行使用MEtransformer模块提取长距离全局特征，使用卷积特征提取模块提取短距离局部特征，然后使用全局局部特征融合模块将长、短距离特征向量进行融合，在融合后的特征图基础上再次进行前述的并行特征提取、特征向量融合操作进一步建模数据中的长、短距离特征，最后经过三个反卷积解码器模块获得网络的分割结果输出；步骤3，使用训练集图像对基于长短距离特征的医学图像分割网络进行训练；步骤4，利用步骤3训练好的分割网络进行医学图像分割。2.如权利要求1所述的一种基于长短距离特征的医学图像分割方法，其特征在于：步骤2中卷积特征提取模块由多个基于卷积层的block组成，每个block分别由卷积核大小为1
×
1、3
×
3、1
×
1的三个卷积层以及归一化层组成，每一次归一化后会经过relu激活函数，以保证特征激活的分布，每一个block生成的特征图都会保存下来作为低阶特征的skip连接送入后续反卷积解码操作中，该模块最终的输出就是短距离特征图。3.如权利要求1所述的一种基于长短距离特征的医学图像分割方法，其特征在于：步骤2中MEtransformer模块包括轴向多头注意力模块和掩膜模块，轴向多头注意力模块的输入为图像张量(B,C,H,W)，首先将图片分成大小为2
×
2的patch，数量为每个patch通过全连接层映射成长度为C的向量，将这N个向量按原有顺序组合成尺寸为的特征图，并将该特征图按H和W方向分别取平均值转变为和两个向量，然后把通道C以多头数等分，将两个向量变成和在此基础上通过矩阵乘法分别求得矩阵Q、K和V；掩膜模块在Q和K矩阵乘积生成的查询集上进行注意力机制的高斯加权计算，以引导该模块关注长距离信息从而降低近距离特征的权重，最后把加权后的查询集与V进行矩阵乘法得到该模块的输出。4.如权利要求1所述的一种基于长短距离特征的医学图像分割方法，其特征在于：步骤2中全局局部特征融合模块的输入为长距离特征图和短距离特征图，在尺度上均为(B,C,H,W)；首先长距离特征经过全局平均池化得到基于通道的注意力图，并与短距离特征图按元素相乘后通过一个卷积层进行初步特征融合，然后将融合后的特征与原来的长距离特征进行堆叠操作后再次经过卷积层，以达到进一步的融合以及特征降维，从而生成后续所需要高阶特征...

【专利技术属性】
技术研发人员：种衍文，谢柠迪，潘少明，
申请(专利权)人：武汉大学，
类型：发明
国别省市：