一种基于动态卷积的轻量级医学图像分割方法技术

本发明专利技术公开了一种基于动态卷积的轻量级医学图像分割方法，获取待分割医学图像，输入到构建的分割网络模型，所述分割网络模型包括编码模块和解码模块，在编码模块中对待分割医学图像依次经过三个编码单元，获得各个编码单元输出的第一编码特征图、第二编码特征图和第三编码特征图，然后将第三编码特征图分别输入到语义分支和空间分支提取语义特征和空间特征；在解码模块中，依次通过四个解码单元，最后将解码特征图输入到动态卷积单元得到分割结果。本发明专利技术模型的参数量和计算量大量减少，同时能够很好地拟合数据集，取得精确的分割结果。果。果。

【技术实现步骤摘要】
一种基于动态卷积的轻量级医学图像分割方法


[0001]本申请属于人工智能计算机视觉
，尤其涉及一种基于动态卷积的轻量级医学图像分割方法。

技术介绍

[0002]图像分割一直是图像处理和分析领域的难点，也是计算机视觉领域的关键问题之一。医学图像分割是计算机视觉领域中重要的研究方向，对疾病的检测、诊断和治疗等方面都有着重要的辅助价值。通过对医学图像进行分割，可以提取出图像中的不同组织和器官，精准的医学图像分割能够为医生提供更多的参考，有利于医生进行更准确的判断
[0003]随着研究人员对分割精度的追求也越来越高，因此产生了许多结构更复杂、网络层次更深的深度学习模型，而这不可避免地增大了模型的参数量和计算量，导致对实验设备的要求更高了。为了解决这一问题，许多轻量级的网络模型被提出，然而这些方法通常折衷了模型的性能和模型的规模，导致并不能很好地应用于医学图像分割。

技术实现思路

[0004]本申请的目的是提出一种基于动态卷积的轻量级医学图像分割方法，以解决
技术介绍
中的问题，减少模型的参数量和计算量，并取得精确的分割结果。
[0005]为了实现上述目的，本申请技术方案如下：
[0006]一种基于动态卷积的轻量级医学图像分割方法，包括：
[0007]获取待分割医学图像，输入到构建的分割网络模型，所述分割网络模型包括编码模块和解码模块；
[0008]在编码模块中对待分割医学图像依次经过三个编码单元，获得各个编码单元输出的第一编码特征图、第二编码特征图和第三编码特征图，然后将第三编码特征图分别输入到语义分支和空间分支提取语义特征和空间特征；
[0009]在解码模块中，将语义特征和空间特征输入到第一个解码单元获得第一解码特征图，将第一解码特征图和第三编码特征图输入到第二个解码单元获得第二解码特征图，将第二解码特征图和第二编码特征图输入到第三个解码单元获得第三解码特征图，将第三解码特征图和第一编码特征图输入到第四个解码单元获得第四解码特征图，最后将第四解码特征图输入到动态卷积单元得到分割结果。
[0010]进一步的，所述将第三编码特征图分别输入到语义分支和空间分支提取语义特征和空间特征，包括：
[0011]将第三编码特征图分别输入到语义分支和空间分支，所述语义分支包括两个编码单元，所述空间分支包括两个1
×
1卷积，语义分支中第一个编码单元的输出经过下采样和激活函数后与空间分支中第一个卷积的输出相乘后输入到空间分支中第二个卷积，空间分支中第一个卷积的输出经过上采样和激活函数后与语义分支中第一个编码单元的输出相乘后输入到语义分支中第二个编码单元；
[0012]将语义分支中第二个编码单元的输出经过下采样和激活函数后与空间分支中第二个卷积的输出相乘后输入得到空间特征，将空间分支中第二个卷积的输出经过上采样和激活函数后与语义分支中第二个编码单元的输出相乘后得到语义特征。
[0013]进一步的，所述编码单元，执行如下操作：
[0014]使用深度卷积对输入特征图进行处理，然后通过1
×
1卷积进行升维将通道数扩大到4倍，并记为X1，然后再用1
×
1卷积降维，将通道压缩为1，再使用Sigmoid函数处理得到X2，再将X2和X1作逐元素相乘得到X3；
[0015]将X1与X3进行连接后输入到1
×
1卷积再次减少通道数，然后与输入相加后输入到动态卷积，最后经过最大池化操作得到编码单元的输出。
[0016]进一步的，所述语义分支中第二个编码单元，执行如下操作：
[0017]使用深度卷积对输入特征图进行处理，然后通过1
×
1卷积进行升维将通道数扩大到4倍，并记为X1，然后再用1
×
1卷积降维，将通道压缩为1，再使用Sigmoid函数处理得到X2，再将X2和X1作逐元素相乘得到X3；
[0018]将X1与X3进行连接后输入到1
×
1卷积再次减少通道数，然后与输入相加后输入到动态卷积，得到编码单元的输出。
[0019]进一步的，所述解码单元，执行如下操作：
[0020]对解码单元的输入F1和F2，首先通过一个1
×
1卷积将F1的通道数缩减为输入的一半，然后通过线性差值将1
×
1卷积输出特征图放大为2倍大小；
[0021]对线性差值得到的结果使用挤压与激励操作处理，再将得到的结果与F2拼接后输入到动态卷积中，得到解码单元的输出。
[0022]本申请提出的一种基于动态卷积的轻量级医学图像分割方法，引入了动态卷积，动态卷积具有根据输入自适应调整权重生成不同卷积核参数的特性，通过在每一层添加一个动态卷积，使得模型能够更好地适应输入数据的变化，使得模型可以在不改变深度的情况下扩大模型容量，从而更好地拟合数据，提高模型的适应能力、准确性和鲁棒性；编码器中使用“倒瓶颈”结构了来进一步减少参数量，并使用空间注意力进行加权，使得编码器能够提取到更加丰富的特征，提高特征提取能力和泛化性；解码器中的上采样策略也大大减少了模型的参数量和计算量，，并使用了挤压与激励机制来强化特征，使得解码器更加高效且稳定。整体设计使得模型的参数量和计算量大量减少，同时能够很好地拟合数据集，取得精确的分割结果。
附图说明
[0023]图1为本申请基于动态卷积的轻量级医学图像分割方法流程图。
[0024]图2为本申请分割网络模型示意图。
[0025]图3为本申请编码器的结构示意图。
[0026]图4为本申请解码单元的结构示意图。
具体实施方式
[0027]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用
于限定本申请。
[0028]本申请的一个实施例，如图1所示，提出了一种基于动态卷积的轻量级医学图像分割方法，包括：
[0029]步骤S1、获取待分割医学图像，输入到构建的分割网络模型，所述分割网络模型包括编码模块和解码模块。
[0030]本申请通过构建并训练分割网络模型，对医学图像进行分割。所述分割网络模型如图2所示，包括编码模块和解码模块，编码模块和解码模块将在后续的步骤中进行详细的阐述。
[0031]在训练分割网络模型时，先对选择的图像数据集进行预处理，以得到训练数据集、验证数据集和测试数据集。
[0032]如果所选取的是三维数据集，则先读取三维数据后按照横切面坐标轴进行切片处理，再将含有标签的切片以及对应的源数据切片转换为npy格式进行保存用于后续的训练。如果所选取的是二维数据集，则直接读取图像并转换为npy格式并保存用于后续的训练。
[0033]需要说明的是，在准备训练数据集是，还对数据集中npy格式的图像进行处理，包括平移、水平翻转、旋转变换、灰度归一化、透视变换以及添加高斯噪声等数据增强预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态卷积的轻量级医学图像分割方法，其特征在于，所述基于动态卷积的轻量级医学图像分割方法，包括：获取待分割医学图像，输入到构建的分割网络模型，所述分割网络模型包括编码模块和解码模块；在编码模块中对待分割医学图像依次经过三个编码单元，获得各个编码单元输出的第一编码特征图、第二编码特征图和第三编码特征图，然后将第三编码特征图分别输入到语义分支和空间分支提取语义特征和空间特征；在解码模块中，将语义特征和空间特征输入到第一个解码单元获得第一解码特征图，将第一解码特征图和第三编码特征图输入到第二个解码单元获得第二解码特征图，将第二解码特征图和第二编码特征图输入到第三个解码单元获得第三解码特征图，将第三解码特征图和第一编码特征图输入到第四个解码单元获得第四解码特征图，最后将第四解码特征图输入到动态卷积单元得到分割结果。2.根据权利要求1所述的基于动态卷积的轻量级医学图像分割方法，其特征在于，所述将第三编码特征图分别输入到语义分支和空间分支提取语义特征和空间特征，包括：将第三编码特征图分别输入到语义分支和空间分支，所述语义分支包括两个编码单元，所述空间分支包括两个1
×
1卷积，语义分支中第一个编码单元的输出经过下采样和激活函数后与空间分支中第一个卷积的输出相乘后输入到空间分支中第二个卷积，空间分支中第一个卷积的输出经过上采样和激活函数后与语义分支中第一个编码单元的输出相乘后输入到语义分支中第二个编码单元；将语义分支中第二个编码单元的输出经过下采样和激活函数后与空间分支中第二个卷积的输出相乘后输入得到空间特征，将空间分支中第二个卷积的输出经过上采样和激活函数后与语义分支中第二个编码单元的输出相乘后得到语义特征。3....

【专利技术属性】
技术研发人员：汪晓妍，张榜泽，黄晓洁，俞鉴豪，夏明，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：