一种应用多注意力机制的医学图像分割方法及系统技术方案

本发明专利技术公开了一种应用多注意力机制的医学图像分割方法，包括以下步骤：S1、构建网络结构，所述网络结构包括编码器模块、解码器模块，所述编码器模块包括两个独立的编码器，在两个编码器之间设置有CMFL；S2、将两种互补模态的医学图像分别输入至两个编码器中，由CMFL获取两种模态之间的跨模态图像特征位置响应权重信息，进行跨模态之间的图像特征互补，获得两种跨模态图像互补特征；S3、将两种跨模态图像互补特征进行特征融合再通过解码器模块解码即可。还公开了一种医学图像分割系统。本发明专利技术在两个独立编码器中引入注意力机制，建立了不同模态图像特征的联系，提升了图像分割能力。提升了图像分割能力。提升了图像分割能力。

【技术实现步骤摘要】
一种应用多注意力机制的医学图像分割方法及系统


[0001]本专利技术涉及医学影像处理
，具体涉及一种应用多注意力机制的医学图像分割方法及系统。

技术介绍

[0002]图像分割在许多医学图像分析中起着至关重要的作用。它可以去除源图像中不相关的器官和组织，并标记感兴趣的区域，例如特定器官、病变和肿瘤区域。同时，分割后的图像可以为医生提供例如肿瘤或病变的位置、大小和形状，以及器官的解剖和代谢状态等关键信息。在最近的工作中，多模态医学图像分割得到了广泛的研究。例如，使用 MRI 进行脑肿瘤分割和前列腺分割、使用 PET 和 CT 进行肝脏分割和头颈部肿瘤分割、使用 CT 和 MR 图像进行腹部多器官分割 (CHAOS) 等。
[0003]现有的多模态医学图像分割工作得到很迅猛的发展，有单注意力多模态的图像分割、也有双注意力机制的图像分割。但是它们大多数实际上都只基于一个模态图像做分割，使得图像分割能力还有上升的空间。

技术实现思路

[0004]为解决上述问题，本专利技术目的在于提供一种应用多注意力机制的医学图像分割方法，该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用多注意力机制的医学图像分割系统，其特征在于，包括网络架构，所述网络架构包括编码器模块、解码器模块、融合模块，所述编码器模块包括两个独立的编码器，在两个编码器之间设置有跨模态互补特征学习注意力模块CMFL；两个独立的编码器用于接收互补的两个模态图像，通过CMFL模块获取跨模态之间的图像特征位置响应权重信息，进行跨模态之间的图像特征互补，获得两种跨模态图像互补特征；融合模块用于将两种跨模态图像互补特征融合后输送至解码器模块解码。2.根据权利要求1所述的医学图像分割系统，其特征在于，融合模块包括尺度双重注意力模块即MSDA模块，所述MSDA模块包括位置注意力模块即PAM模块和通道注意力模块即CAM模块；所述MSDA模块用于将两种跨模态互补特征图像经不同大小卷积核提取多尺度特征后，在通道维度拼接获得拼接特征图像，然后采用并行方式用PAM模块和CAM模块分别捕获位置特征依赖关系和通道特征依赖关系，最后将PAM和CAM两个模块的输出进行融合。3.基于权利要求1或2所述的医学图像分割系统的医学图像分割方法，其特征在于，包括以下步骤：S1、构建网络结构，所述网络结构包括编码器模块、解码器模块，所述编码器模块包括两个独立的编码器，在两个编码器之间设置有跨模态互补特征学习注意力模块CMFL；S2、将两种互补模态的医学图像分别输入至两个编码器中，由跨模态互补特征学习注意力模块CMFL获取两种模态之间的跨模态图像特征位置响应权重信息，进行跨模态之间的图像特征互补，获得两种跨模态图像互补特征；S3、将两种跨模态图像互补特征进行特征融合再通过解码器模块解码即可。4.根据权利要求3所述的医学图像分割方法，其特征在于，跨模态互补特征学习注意力模块CMFL通过计算一个模态的当前位置对另一个模态全局位置的响应权重来获得两种模态互补的重要信息，实现每个编码器提取的单个模态的深度图像特征与另一个模态的深度图像特征相补充。5.根据权利要求4所述的医学图像分割方法，其特征在于，跨模态互补特征学习注意力模块CMFL可以用以下公式表示：（1）（2）（3）（4）（5）
（6）其中 N 是所有样本的集合，用于标准化的函数，公式（1）的和公式（2）中的分别为第一种模态和第二种模态的标准化函数，即将、分别代入公式（...

【专利技术属性】
技术研发人员：李腊全，叶鑫，文婷，刘畅，熊平，苏强，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：