【技术实现步骤摘要】
一种基于注意力双支路特征融合的食管早癌病灶分割方法
[0001]本申请要求于2022年06月01日申请，申请号为202210610948.3，专利名称为“一种基于注意力双支路特征融合的食管早癌病灶分割方法”的专利技术申请的本国优先权，该申请的全部内容以引用方式并入本文。
[0002]本专利技术涉及人工智能
，尤其涉及机器视觉
和语义分割
，更具体地，涉及一种注意力双支路特征融合的食管早癌病灶分割方法。
技术介绍
[0003]食管图像背景复杂且患者的患病区域千差万别，因此食管病变及早癌的筛查工作是一项极具挑战性的任务。食管病灶前景背景对比度低、形状各异且不规则，此外受到内镜成像的噪声影响，食管病变图像容易出现高亮光斑，使得传统分割算法难以将病灶在内镜图像中分割出来。与传统方法相比，基于深度学习的分割方法能够有效捕获图像的低层细节特征和高层语义特征，对背景复杂的食管图像分割具有一定的优势。特别是Ronneberger等人提出的U
‑
Net以及相继出现的U
‑
Net变体...
【技术保护点】
【技术特征摘要】
1.一种基于注意力双支路特征融合的食管早癌病灶分割方法，包括：对食管内镜图像进行预处理，得到目标内镜图像；利用深度学习模型包括的编码器网络处理所述目标内镜图像，得到第一特征图像；利用所述深度学习模型包括的空洞空间金字塔池化模块处理所述第一特征图像，得到第二特征图像；对于所述深度学习模型包括的多个金字塔引导融合模块中的每个所述金字塔引导融合模块，利用所述深度学习模型包括的金字塔引导融合模块来融合所述编码器网络包括的多个阶段网络中的多个第一目标阶段网络各自的输出特征，得到第三特征图像；以及利用所述深度学习模型包括的解码器网络处理所述第一特征图像和多个所述第三特征图像，得到所述食管内镜图像的语义分割图像。2.根据权利要求1所述的方法，其中，所述利用所述深度学习模型包括的金字塔引导融合模块来融合所述编码器网络包括的多个阶段网络中的多个第一目标阶段网络各自的输出特征，得到第三特征图像，包括：从所述多个第一目标阶段网络中确定第二目标阶段网络；基于所述第二目标阶段网络的输出特征的尺寸，分别对所述多个第一目标阶段网络各自的输出特征进行采样，得到多个第五编码特征图像；对所述多个第五编码特征图像进行拼接，得到第六编码特征图像；分别使用多个空洞卷积层处理所述第六编码特征图像，得到多个第七编码特征图像，其中，所述多个空洞卷积层之间的空洞率不同；以及对所述多个第七编码特征图像进行拼接，得到所述第三特征图像。3.根据权利要求2所述的方法，还包括：基于多个所述第二目标阶段网络各自的输出特征的尺寸，从所述解码器网络包括的多个网络阶段中确定多个第三目标阶段网络。4.根据权利要求3所述的方法，其中，所述解码器网络包括双支路上采样模块；其中，所述利用所述深度学习模型包括的解码器网络处理所述第一特征图像和多个所述第三特征图像，得到所述食管内镜图像的语义分割图像，包括：对于所述解码器网络包括的多个阶段网络中的每个阶段网络，在所述阶段网络为所述第三目标阶段网络的情况下，将所述阶段网络的输出特征和与所述第三...
【专利技术属性】
技术研发人员：李小霞，孟延宗，周颖玥，刘晓蓉，张晓强，
申请(专利权)人：西南科技大学，
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。