一种基于MLP的医学图像分割方法技术

本发明专利技术公开了一种基于MLP的医学图像分割方法，其特征在于，包括如下步骤：1）编码；2）解码；3）局部分支结构和全局分支结构。这种方法不仅在保持原始空间维度特征结构下，具有敏感的位置感知能力和极少的计算开销，并且有效增加模型提取局部特征和全局上下文信息的能力，增大模型对小尺度物体的特征感知，也能有效地解决由于医学分割数据样本数量相对较少，医学图像中patch的位置嵌入的依赖关系不能很好地学习的问题，从而实现高性能和高效率的医学分割。割。割。

【技术实现步骤摘要】
一种基于MLP的医学图像分割方法


[0001]本专利技术涉及图像处理和机器视觉技术，具体是一种基于MLP的医学图像分割方法。

技术介绍

[0002]医学图像分割是医学图像处理的关键步骤，在计算机辅助智能诊断中发挥着重要作用。医学图像分割研究涉及许多临床应用中常见任务，如COVID
‑
19筛查、息肉分割、肠镜检查等。
[0003]早期的医学图像分割技术主要是通过基于阈值或边界的分割方法。随后深度学习技术不断发展，深度神经卷积网络CNN(Convolutional neural networks,简称CNN)便开始被应用于图像去噪，医学分割等。Ronneberger等人提出的U
‑
Net和Xiao等人提出的Res
‑
UNet，它们通过下采样提取特征信息，利用上采样和跳跃连接获得不同尺度的特征信息。然而，CNN虽然对医学分割技术做出了有效贡献，却很难进一步突破，因为卷积网络存在提取特征时具有固有归纳偏差、每个卷积还能聚焦于整个图片的子区域，从而注重局部特征而丢失了全局上下文特征、缺少能建模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MLP的医学图像分割方法，其特征在于，包括如下步骤：1)编码：特征图的编码采用基于MLP的医学图像分割模型TGMLP Unet，在TGMLP Unet编码器中，首先TGMLP分别沿着高度轴、宽度轴和通道轴编码特征图，然后TGMLP加入全局感知和局部先验模块，TGMLP加入门控机制控制输出的信息量保留特征信息，TGMLP的输出的编码特征连接一个1
×
1的卷积层，经过卷积后的特征连接残差映射，并采用add函数将卷积后的特征和输入进TGMLP的特征相加，获得最终的编码后的特征图；2)解码：解码器是由3
×
3卷积层、反卷积、跳跃连接构成，采用跳跃连接将解码部分中反卷积结果与编码部分的输出进行对应的连接与合并；3)局部分支结构和全局分支结构：TGMLP UNet的两个分支结构分别为局部分支结构和全局分支结构，全局分支用来学习长距离特征的关系，局部分支用来弥补patch像素之间失去的局部细节特征，首先，两个分支结构之前医学影像分割图像经过3个7
×
7卷积层进行特征的初步提取，每个卷积层都有归一化和Relu激活函数，其次将局部分支输出的所有patch块特征进行堆叠，然后采用add函数将全局分支和局部分支的提取的特征图进行相加，最后采用1
×
1的卷积层对特征图进行像素级别分类，其中，在TGMLP Unet的全局分支设有2个编码器和2个解码器，局部分支中有5个编码器和5个解码器，不管是全局分支还是局部分支，都是将多个编码器和解码器分别串联起来。2.根据权利要求1所述的基于MLP的医学图像分割方法，其特征在于，所述分割模型TGMLP Unet设有三个部分，其中：第一个部分为Triple MLP模块，TMLP模块由三个独立分支组成，每个分支沿着特定的维度即高度、宽度、通道维度进行编码，在对于给定具有高度H、宽度W和通道C
in
的输入特征映射带有高度轴、宽度轴、通道轴的的i层TGMLP输出S
i
表示为：S
i
‑1＝Chnnel MLP(LN(S
i
‑2))+S
i
‑
2 (1)，(1)，第二个部分为全局感知GP模块和局部先验LP模块,全局感知模块将特征图进行分区，...

【专利技术属性】
技术研发人员：覃琴，冯意，王鑫，颜靖柯，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：