基于多尺度上下文感知的医学图像分割模型及方法技术

本发明专利技术提出基于多尺度上下文感知的医学图像分割模型及方法，包括编码器和解码器构成的分割网络框架，编码器为经过预训练的ResNet50，且预训练的ResNet50使用五层卷积层，解码器包括用于增强特征全局信息的全局循环卷积transformer模块和注意力导向模块，发明专利技术采用预训练的ResNet50作为编码器以获取更有代表性的特征图，再引入了全局循环卷积transformer模块，对特征进行全局信息建模，从而加强特征的全局性和长程依赖性，再利用注意力导向模块将经过特征加强的不同尺度特征进行融合，使深层特征引导浅层特征进行空间和通道信息的选择，从而在恢复细节信息的同时有效抑制浅层特征的噪声信息。抑制浅层特征的噪声信息。抑制浅层特征的噪声信息。

【技术实现步骤摘要】
基于多尺度上下文感知的医学图像分割模型及方法


[0001]本专利技术涉及医学图像分割
，尤其涉及基于多尺度上下文感知的医学图像分割模型及方法。

技术介绍

[0002]医学图像分割是辅助诊断和临床手术的一项重要技术，它可以减少一些不必要的检查，降低患者的生理痛苦。随着深度学习的发展，计算机视觉技术在医学图像分割领域得到了广泛的应用，并取得了不错的效果；
[0003]现有的医学图像分割方法大多是基于卷积神经网络(CNN)的编码器
‑
解码器结构，这些U形网络通过重复地使用局部卷积算子对图像进行卷积来提取不同尺度的特征图，其中浅层特征包含细节信息，深层特征具有丰富的语义信息，然后对深层特征进行渐进式的反卷积运算实现上采样，并通过跳转连接将浅层特征重新引入到深层特征中以弥补上采样产生的空间细节损失；
[0004]但上述方法存在一些缺点，首先，卷积层利用共享权值矩阵在图像中不同的空间位置依次进行卷积运算，导致特征图中缺乏长程空间信息交互。其次，传统的U形网络对于浅层特征的使用仅仅局限于粗暴的使用跳转连接来恢复下采样过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度上下文感知的医学图像分割模型，其特征在于：包括编码器和解码器构成的分割网络框架，所述编码器为经过预训练的ResNet50，且预训练的ResNet50使用五层卷积层，所述解码器包括用于增强特征全局信息的全局循环卷积transformer模块和注意力导向模块，所述全局循环卷积transformer模块内设有用于抑制无用通道信息的通道注意力结构。2.根据权利要求1所述的基于多尺度上下文感知的医学图像分割模型，其特征在于：所述五层卷积层分别为第一层卷积层、第二卷积层、第三卷积层、第四卷积层及第五卷积层，所述第一层卷积层不包含残差块，所述第二、第三、第四和第五卷积层均包含残差块。3.根据权利要求1所述的基于多尺度上下文感知的医学图像分割模型，其特征在于：所述编码器提取多组特征图，且多组特征图中的后三层作为解码器的输入。4.根据权利要求1所述的基于多尺度上下文感知的医学图像分割模型，其特征在于：所述全局循环卷积transformer模块的全局循环卷积包括水平方向上的长程循环卷积和垂直方向上的长程循环卷积。5.应用于权利要求1所述的基于多尺度上下文感知的医学图像分割模型的分割方法，其特征在于：包括以下步骤：步骤一：输入需要分割的医学图像数据，通过编码器对输入的医学图像数据进行特征提取；步骤二：由编码器提取的特征数据输入解码器内，由全局...

【专利技术属性】
技术研发人员：黎青，朱玉情，陈律，
申请(专利权)人：安徽大学，
类型：发明
国别省市：