【技术实现步骤摘要】
一种具有混合编码器的高效皮肤病变分割方法
[0001]本专利技术涉及一种具有混合编码器的高效皮肤病变分割方法，具体是一种将皮肤病变图像采用混合编码方式进行训练后得到分割结果的方法，属于皮肤病变图像分割处理
技术介绍
[0002]对于皮肤病变图像分割，传统图像分割方法主要有直方图阈值处理法、无监督聚类法、基于边缘和区域的方法、活动轮廓法和监督学习分割方法。传统的分割方法大多需要对输入的皮肤图像进行较为复杂的预处理，得到感兴趣的区域后，才开始后续的分割操作，步骤繁琐且约束性较强。不像传统方法依赖于手工特征，CNN实现了特征工程的自动化且只需对输入数据进行较少的预处理。因此，在过去几年中已成为皮肤病变图像分割的首选方法。但传统的CNN还存在诸多问题，由于卷积运算的内部局限性，通常会忽略全局上下文信息，造成误分割。因此，丰富的全局上下文信息可以有效定位皮损的位置和边界，从而提高分割性能。Transformer模型仅采用自注意力机制来捕获远程依赖关系，可以对全局上下文信息进行建模，但直接使用Transformer作为编码器提...
【技术保护点】
【技术特征摘要】
1.一种具有混合编码器的高效皮肤病变分割方法，其特征在于：包括以下步骤：步骤一：确定训练集和测试集，对彩色图像进行极坐标转换的预处理；步骤二：构建CNN和Transformer的混合编码模块；步骤三：构建多级特征级联融合模块；步骤四：构建双注意力解码模块；步骤五：将所述的混合编码模块、多级特征级联融合模块和双注意力解码模块组成网络模型，构建基于CNN和Transformer的皮肤病变图像分割网络模型并对模型进行训练，得到所需的分割网络；步骤六：将测试集输入步骤五得到的分割网络，得到分割后的图像。2.根据权利要求1所述的一种具有混合编码器的高效皮肤病变分割方法，其特征在于：所述步骤二具体包括：S2.1：对预处理后的图像数据X∈R
H
×
W
×3输入到ResNet50组成的CNN特征提取网络中，其中H
×
W是图像分辨率，3是通道数，实现图像数据从高分辨率图像到低分辨率图像的转换，完成像素的粗提取，同时保留N层中低层特征(N≤3)；S2.2：Transformer将来自CNN特征图的标记化图像块编码为用于提取全局上下文的输入序列，为匹配Transformer层的输入，要将2D高级特征序列化为1D编码序列X∈R
L
×
C
，其中经过序列化的图像丢失了原有的位置信息，因此Transformer给编码序列拼接一个可学习的位置编码矩阵来学习图片的位置信息；S2.3：编码器由12个Transformer层堆叠而成，而Transformer层的核心组件是多头自注意力和多层感知机，定义三个可学习的权重矩阵将输入特征向量X转换为查询矩阵Q、键值矩阵K和值矩阵V，将查询矩阵Q与键值矩阵K的转置相乘，得到两者之间的相似度矩阵QK
T
，此值越大，表明相关性越高，通过softmax函数对相似度矩阵进行归一化得到权重矩阵SA；所述自注意力相关性矩阵的表达式为：其中：D
q
表示查询矩阵或者键值矩阵的维度，最后输出Z∈R
L
×
C
为：Z＝SA(X)＝AV
ꢀꢀꢀꢀ
(2)S2.4：其中分别表示第i个自注意力的线性变换矩阵，分别与输入向量X
i
相乘以获取在不同空间上的投影，增强模型的表征能力，得到对应的Q、K、V，然后把所有的输出矩阵拼接起来，再与线性变换矩阵W
o
相乘，得到最终的自注意力输出矩阵；所述多头自注意力表达式为：MSA(Q,K,V)＝Concat(head
i
,
…
,head
i
)
ꢀꢀꢀꢀ
(3)S2.5：多层感知机主要由两个全连接层和一个线性激活层GeLu组成，每一层Transformer可以表达为如式：
z
′
l
＝MSA(z
l
‑1)+z
l
‑1z
l
＝MLP(z'
l
)+z'
l
ꢀꢀꢀꢀꢀ
(4)其中，z
l
是Transformer编码器的最终输出。3.根据权...
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。