【技术实现步骤摘要】
一种基于长条状卷积注意力的手术全场景语义分割方法
[0001]本专利技术涉及手术场景分割
，具体涉及一种基于长条状卷积注意力的手术全场景语义分割方法。
技术介绍
[0002]智能内窥镜手术机器人是机器人辅助微创手术的一种典型应用，它可以有效的提高手术成功率、缩短手术恢复周期和提高患者安全性。自动手术场景分割是计算机辅助手术和智能手术机器人的关键技术。它的任务是对手术场景中的解剖区域和医疗设备两类物体进行分割，并为每个像素分配一个类别标签。分割结果可用于多个临床任务，例如病变组织定位、手术决策、手术导航和手术技能评估等。
[0003]内窥镜手术视频中精确解析整个场景是一件非常具有挑战性的任务。相较于传统的自然场景，手术场景中分割目标的局部特征对比度较低，具体表现在不同的生物组织或者器械在局部区域的特征相似度较高。大部分工作采用注意力机制将目标的局部语义特征与其全局特征结合，捕捉长程依赖来解决相关问题。DANet通过并行使用位置注意力和空间注意力，可以自适应地将局部特征与其全局依赖性结合起来，但是位置注意力的计算度...
【技术保护点】
【技术特征摘要】
1.一种基于长条状卷积注意力的手术全场景语义分割方法，其特征在于，包括：S1：获取内窥镜手术视频的图像数据及其对应的真值标签；构建手术全场景语义分割模型；所述手术全场景语义分割模型包括编码器、长条状卷积注意力模块、分割模块；S2：所述编码器对所述图像数据进行编码，输出编码结果；所述编码结果包括不同阶段的编码结果；S3：所述编码结果通过所述长条状卷积注意力模块，输出特征图；所述特征图包括各阶段的编码结果对应的特征图；S4：所述分割模块对所述各阶段的编码结果对应的特征图进行上采样操作、拼接操作，得到分割结果；S5：对尺寸最大的特征图进行卷积，得到边界图；设置边界引导分割头，所述真值标签通过所述边界引导分割头，得到目标边界图；S6：根据所述边界图和所述目标边界图计算边界损失；根据所述分割结果和所述真值标签计算分割损失；联合所述边界损失和所述分割损失，构建混合损失函数；通过所述混合损失函数优化所述手术全场景语义分割模型；S7：将待分割的图像数据输入至优化后的所述手术全场景语义分割模型，输出最终分割结果。2.根据权利要求1所述的基于长条状卷积注意力的手术全场景语义分割方法，其特征在于，S2中，所述编码器采用HRNetV2；其输出的各阶段的编码结果尺寸不同。3.根据权利要求2所述的基于长条状卷积注意力的手术全场景语义分割方法，其特征在于，S3中，所述长条状卷积注意力模块包括区域特征提取块和器械特征提取块；基于各阶段的所述编码结果，所述区域特征提取块和所述器械特征提取块并行提取，得到区域特征和器械特征；将各阶段的所述编码结果与其对应的所述区域特征、所述器械特征相加，得到各阶段的编码结果对应的特征图。4.根据权利要求3所述的基于长条状卷积注意力的手术全场景语义分割方法，其特征在于，所述区域特征提取块包括深度卷积、第一多分支深度带状卷积、1
×
1卷积；区域特征的提取过程包括：所述深度卷积聚合各阶段的编码结果的局部信息，局部信息记为：；计算公式为：；所述第一多分支深度带状卷积、所述1
×
1卷积基于所述局部信息，得到第一注意力图，第一注意力图记为：；计算公式为：；将所述第一注意力图与所述局部信息相乘，得到所述区域特征；计算公式为：；其中，表示卷积核大小为5
×
5的深度卷积；BN表示批归一化操作；x
i
表示第i阶段的编码结果；W1×1表示1
×
1卷积；j表示第j个分支；表示第i阶段的区域特征；k
j
表示
卷积核大小；表示逐元素乘法。5.根据权利要求4所述的基于长条状卷积注意力的手术全场景语义分割方法，其特征在于，所述器械特征提取块包括深度卷积、第二多分支深度带状卷积、1
×
1卷积；器械特征提取的过程包括：所述深度卷积聚合各阶段的编码结果的局部信息，局部信息记为：；计算公式为：；所...
【专利技术属性】
技术研发人员：刘敏，朱悦豪，汪嘉正，张哲，王耀南，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。