基于多尺度反向注意力的息肉分割方法、设备及存储介质技术

本申请实施例提供了一种基于多尺度反向注意力的息肉分割方法、设备以及存储介质，本申请首先获取肠道息肉样本集，并根据所述肠道息肉样本集确定肠道息肉训练样本；然后基于神经网络的图像特征提取编码器和多尺度反向注意力编码器构建息肉分割网络，以使反向注意力机制能够关注到肠道息肉的边缘纹理等细节信息，最后利用所述肠道息肉训练样本对所述息肉分割模型进行训练，直至模型收敛，在实际应用中即可实现从肠道图像中分割出肠道息肉。中即可实现从肠道图像中分割出肠道息肉。中即可实现从肠道图像中分割出肠道息肉。

【技术实现步骤摘要】
基于多尺度反向注意力的息肉分割方法、设备及存储介质


[0001]本专利技术涉及图像处理领域，特别涉及一种基于多尺度反向注意力的息肉分割方法、设备及存储介质。

技术介绍

[0002]随着人们生活品质的不断提升，健康问题也愈加得到人们的重视，任何一场突如其来的疾病，都可能使得我们的人生轨迹发生变化，因此必要的体检，以及推行先进科学的检测技术迫在眉睫。
[0003]结肠镜检查是检测结直肠息肉病变的有效技术，与结直肠癌高度相关，在临床实践中，结肠镜图像为诊断和手术提供了有价值的信息，主要是因为医生能够从结肠镜图像中分割息肉，这也就意味着结肠镜图像中分割息肉的准确率直接影响着后续治疗，因为必须确保从结肠镜图像中分割息肉的准确率，而当前单纯依靠人为界定效率低下且准确率更是难以保证。

技术实现思路

[0004]为了解决上述现有技术中的技术问题，本申请提供了一种方基于多尺度反向注意力的息肉分割方法、设备及存储介质。
[0005]第一方面，本申请提供了一种基于多尺度反向注意力的息肉分割方法，所述方法包括：
[0006]获取肠道息肉样本集，并根据所述肠道息肉样本集确定肠道息肉训练样本，其中所述肠道息肉训练样本中每张肠道息肉样本中的息肉被标注；
[0007]基于神经网络的图像特征提取编码器和多尺度反向注意力编码器构建息肉分割网络；
[0008]利用所述肠道息肉训练样本对所述息肉分割模型进行训练，直至模型收敛，以从实际肠道图像中分割出肠道息肉。
[0009]可选地，利用所述肠道息肉训练样本对所述息肉分割模型进行训练，直至模型收敛的步骤后，还包括：
[0010]根据所述肠道息肉样本集确定测试样本集和验证样本集，其中，所述测试样本集中息肉未被标注，所述验证样本集中息肉被标注；
[0011]将所述测试样本集输入所述息肉分割模型，得到预测息肉样本集；
[0012]基于所述预测息肉样本集和所述验证样本集计算所述息肉分割模型的精确度。
[0013]可选地，基于所述预测息肉样本集和所述验证样本集计算所述息肉分割模型的精确度的步骤，包括：
[0014]计算所述预测息肉样本集与所述验证样本集的均方误差；
[0015]确定所述分割模型的精度和所述召回率；
[0016]基于所述均方误差所述分割模型的精度以及所述召回率确定所述分割模型的精
确度。
[0017]可选地，基所述图像特征提取编码器包括：
[0018]所述图像特征提取编码器在ImageNet上预训练得到ResNet
‑
34基干网络，其中，所述ResNet
‑
34基干网络将最高层的全连接层去除，得到只包含特征图提取部分的残差单元，每个残差单元包括卷积层、激活层和归一化层，其中，所述ResNet
‑
34基干网络的每一层输出的卷积网络将特征图通道数量减少至32，以使所述分割模型运算量减少。
[0019]可选地，所述多尺度反向注意力编码器包括反向注意力模块和底层上下文模块的特征提取单元。
[0020]可选地，所述反向注意力模块表达式如下：
[0021]R
i
＝f
i
×
(1
‑
δ(Conv3(f
i
)))，i＝1，2，3，4，5
[0022]其中，f
i
表示第i层编码器的特征图，Conv3表示将特征图通道数量缩减到1，δ表示Sigmoid激活函数函数。R
i
表示增强后的特征图；
[0023]所述底层上下文模块的特征提取单元由U
‑
Net组成，将U
‑
Net中每个残差单元特征图通道数量分别为32，32，64，64。
[0024]可选地，可选地，基于神经网络的图像特征提取编码器和多尺度反向注意力编码器构建息肉分割网络的步骤，包括：
[0025]定义所述息肉分割网络的损失函数为标准交叉熵L，所述标准交叉熵L的表达式如下：
[0026][0027]其中(x,y)表示像素值坐标。G表示真实息肉分割图，P表示预测息肉分割图。
[0028]可选地，利用所述肠道息肉训练样本对所述息肉分割模型进行训练，直至模型收敛，以从实际肠道图像中分割出肠道息肉的步骤，包括：
[0029]基于所述标准交叉熵L，利用所述肠道息肉训练样本对所述息肉分割模型进行训练的表达式如下：
[0030][0031]其中(x,y)表示像素值坐标。G表示真实息肉分割图，P表示预测息肉分割图,∑表示求和操作；
[0032]第计算L
t
对Φ
t
的偏导
[0033]依据梯度下降法，结合Adam优化函数进行反向传播，对Φ
t
进行权值更新得到更新结果Φ
t+1
；
[0034]在每次训练迭代结束后，获得测试集的均方差指标,当所述均方差指标不再下降或达到最大迭代次数为T，停止训练。
[0035]第二方面，本申请提供了一种电子设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如第一方面任一项所述的基于多尺度反向注意力的息肉分割方法。
[0036]第三方面，本申请提供了一种计算机存储介质，存储有计算机程序，所述计算程序被计算机执行时，实现如第一方面任一项所述的基于多尺度反向注意力的息肉分割方法。
[0037]本申请首先获取肠道息肉样本集，并根据所述肠道息肉样本集确定肠道息肉训练样本；然后基于神经网络的图像特征提取编码器和多尺度反向注意力编码器构建息肉分割网络，以使反向注意力机制能够关注到肠道息肉的边缘纹理等细节信息，，最后利用所述肠道息肉训练样本对所述息肉分割模型进行训练，直至模型收敛，在实际应用中即可实现从肠道图像中分割出肠道息肉。
附图说明
[0038]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本申请实施例提供的一种基于多尺度反向注意力的息肉分割方法的流程图；
[0041]图2为本申请实施例提供的分割模型构建流程示意图；
[0042]图3为本申请实施例提供的另一种基于多尺度反向注意力的息肉分割方法的流程图；
[0043]图4是本申请实施例提供的步骤S106的流程图。
具体实施方式
[0044]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度反向注意力的息肉分割方法，其特征在于，所述方法包括：获取肠道息肉样本集，并根据所述肠道息肉样本集确定肠道息肉训练样本，其中所述肠道息肉训练样本中每张肠道息肉样本中的息肉被标注；基于神经网络的图像特征提取编码器和多尺度反向注意力编码器构建息肉分割网络；利用所述肠道息肉训练样本对所述息肉分割模型进行训练，直至模型收敛，以从实际肠道图像中分割出肠道息肉。2.根据权利要求1所述的基于多尺度反向注意力的息肉分割方法，其特征在于，利用所述肠道息肉训练样本对所述息肉分割模型进行训练，直至模型收敛的步骤后，还包括：根据所述肠道息肉样本集确定测试样本集和验证样本集，其中，所述测试样本集中息肉未被标注，所述验证样本集中息肉被标注；将所述测试样本集输入所述息肉分割模型，得到预测息肉样本集；基于所述预测息肉样本集和所述验证样本集计算所述息肉分割模型的精确度。3.根据权利要求2所述的基于多尺度反向注意力的息肉分割方法，其特征在于，基于所述预测息肉样本集和所述验证样本集计算所述息肉分割模型的精确度的步骤，包括：计算所述预测息肉样本集与所述验证样本集的均方误差；确定所述分割模型的精度和所述召回率；基于所述均方误差所述分割模型的精度以及所述召回率确定所述分割模型的精确度。4.根据权利要求1所述的基于多尺度反向注意力的息肉分割方法，其特征在于，基所述图像特征提取编码器包括：所述图像特征提取编码器在ImageNet上预训练得到ResNet
‑
34基干网络，其中，所述ResNet
‑
34基干网络将最高层的全连接层去除，得到只包含特征图提取部分的残差单元，每个残差单元包括卷积层、激活层和归一化层，其中，所述ResNet
‑
34基干网络的每一层输出的卷积网络将特征图通道数量减少至32，以使所述分割模型运算量减少。5.根据权利要求1所述的基于多尺度反向注意力的息肉分割方法，其特征在于，所述多尺度反向注意力编码器包括反向注意力模块和底层上下文模块的特征提取单元。6.根据权利要求5所述的基于多尺度反向注意力的息肉分割方法，其特征在于，所述反向注意力模块表达式如下：R
i
＝f
i
×
...

【专利技术属性】
技术研发人员：马骏，杨钰群，
申请(专利权)人：北京芯联心科技发展有限公司，
类型：发明
国别省市：