一种基于变形的非局部网络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基于变形的非局部网络医学图像分割方法及系统,通过多次卷积和批标准化对原始医学图像进行了提取操作。然后在特征解码阶段，经过残差压缩与解压金字塔池化、变形的非局部网络和多尺度特征融合机制来恢复原始图片大小。并在最后经过softmax对特征进行分割操作，最终得到精确的分割效果。本发明专利技术对原始的非局部网络结构进行了修改，从而显著降低了模型复杂度。通过金字塔池化和压缩与解压网络来提高网络的鲁棒性和提高网络的感受野本发明专利技术提出了一种多尺度特征融合的方法，是一种包含了使用了通道注意力将浅层特征和高层特征进行融合的方法。本发明专利技术整个流程具有通用性，并不针对特定的数据集，可以对不同的数据集都有效果，具有通用性。具有通用性。具有通用性。

【技术实现步骤摘要】
一种基于变形的非局部网络医学图像分割方法及系统


[0001]本专利技术涉及一种基于变形的非局部网络医学图像分割方法及系统，属于医学图像处理领域。

技术介绍

[0002]随着科学技术的发展，现在医院里都使用了大量的医疗器具，从而产生了大量的医学图像数据。这些数据对于病人的病情的诊断具有重要的作用，但是由于医生时间和精力的有效很难对这些大量的数据进行全部的处理，同样仅靠医生的临床经验和视觉来对医学图像进行分析与判断是不够的。因此利用计算机的高效性与精确性来对医学图像进行分析已经成了必然趋势。
[0003]在医学图像的分析医学图像的分割是最重要的一部分，因为只有把病变区域分割出来以后，才可以作为辅助医生进行病情的诊断，现阶段医学图像的分割的方法是主要分为机器学习的方法和深度学习的方法，机器学习的方法往往通过预处理的方法对图像进行增强，使得目标分割区域和非分割区域产生差别或者是设计出特定的算法对原始图像进行处理。而深度学习的方法往往是设计一种神经网络结构来进行医学图像的分割。
[0004]目前医学图像分割技术的研究主要有以下几种:...

【技术保护点】

【技术特征摘要】
1.一种基于变形的非局部网络医学图像分割方法，其特征在于：将医学图像输入预先构建的特征提取模块，所述特征提取模块输出缩小的特征图；将缩小的特征图输入预先构建的特征解码模块，所述特征解码模块将缩小的特征图恢复到原始医学图像的大小；将恢复后的特征图输入softmax分类器进行特征分割，分割出目标特征区域。2.根据权利要求1所述的一种基于变形的非局部网络医学图像分割方法，其特征在于：特征解码模块将缩小的特征图恢复到原始医学图像的大小的方法包括：将特征图的每个特征经过了三次扩张卷积和一次卷积核大小为1
×
1的卷积，三次扩张率分别是6，12，12，然后得到的特征都经过压缩与解压得到新的特征，最后把新的特征和原始的输入特征进行残差连接再次得到新的特征。3.根据权利要求2所述的一种基于变形的非局部网络医学图像分割方法，其特征在于：特征解码模块将缩小的特征图恢复到原始医学图像的大小的方法还包括：对残差连接得到新的特征进行降维操作，再对特征的Vaule值和Key值进行矩阵转置和乘法操作得到新的特征图,然后对新的特征图进行softmax操作，并和Query值进行乘法操作再次得到新的特征，最后对新的特征进行全局平均池化和全连接操作，再和新的特征的Key值进行矩阵乘法操作得到最后的特征图。4.根据权利要求3所述的一种基于变形的非局部网络医学图像分割方法，其特征在于：特征解码模块将缩小的特征图恢复到原始医学图像的大小的方法还包括：对最后的特征图的高层特征进行全局平均池化操作并进行正规化操作，将得到的特征与最后的特征图的浅层特征进行矩阵乘法操作得到新的特征；最后再将高层特征进行上采样操作并与经过矩阵乘法操作得到的特征进行特征组合，从而将缩小的特征图恢复到原始医学图像的大小。5.根据权利要求1所述的一种基于变形的非局部网络医学图像分割方法，其特征在于：所述softmax分类器利用损失函数来评估，并对分割的正确与否进行调整；所述损失函数使用了主函数和辅助函数相结合的函数，主函数：这里N代表整个图片像素的数量，p(k,i)∈[0,1]代表分类得到的概率，q(k,i)∈[0,1]代表分类得到金标准；辅助函数使用了权重交叉熵函数：这里TP代表真正，即预测为正，实际为正，TN代表真负，即预测为负，实际为负,N
p
代表分割区域，N
n
代表非分割区域；y表示金标准；l
all
＝L
dic
+λL
r
在这里,L
all
表示总的损失函数，λ表示权重，用来平衡两个损失函数在总损失函数中所占比重，经过试验得到λ＝...

【专利技术属性】
技术研发人员：倪佳佳，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：