基于自注意力和信息瓶颈的医学图像分割方法和系统技术方案

本发明专利技术提出基于自注意力和信息瓶颈的医学图像分割方法及系统，涉及医学图像分割领域。包括获取原始医学图像；提取特征得到初步特征图，将初步特征图输入至MultiIB

【技术实现步骤摘要】
基于自注意力和信息瓶颈的医学图像分割方法和系统


[0001]本专利技术属于医学图像分割
，尤其涉及基于自注意力和信息瓶颈的医学图像分割方法和系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]在医生进行疾病诊断和手术时，准确的医学图像分割结果是至关重要的辅助工具。随着计算机视觉技术的不断发展，许多研究人员正在努力提出新的神经网络模型，以实现更快速、更准确的医学图像分割。其中，U
‑
Net模型是一个具有代表性的卷积神经网络模型，在一些流行的医学图像数据集上表现出了良好的性能。随着U
‑
Net模型在许多医学图像数据集上的成功应用，许多研究人员开始在U
‑
Net模型的基础上进行改进。例如，Res
‑
UNet使用残差块来加速收敛，并增加网络深度，从而提高分割效果。Attention
‑
UNet引入了注意力机制来提高特征图的表示能力，从而进一步提高分割精度。3D U
‑
...

【技术保护点】

【技术特征摘要】
1.基于自注意力和信息瓶颈的医学图像分割方法，其特征在于，包括以下步骤：获取原始医学图像；将原始医学图像输入至基于Transformer和信息瓶颈的医学图像分割模型中，利用编码器模块提取原始医学图像的特征，得到初步特征图，将初步特征图分别输入至MultiIB
‑
Transformer编码部分和跳跃连接SC
‑
MRF部分；在MultiIB
‑
Transformer编码部分，利用多头自注意力机制获取全局的语义信息，之后利用连接在多头自注意力机制后的第一个IB块来压缩不相关的特征，压缩后的特征依次输入至归一化层和MLP层中，利用连接在MLP层后的第二个IB块再次压缩不相关的特征，得到第一输出特征图；在跳跃连接SC
‑
MRF部分，通过卷积操作将低分辨率特征图中的语义信息转移到高分辨率特征图中，得到第二输出特征图；将第一输出特征图和第二输出特征图输入到解码器模块中进行拼接，将拼接后的特征图输入至预训练的预测网络中，进行图像分割。2.如权利要求1所述的基于自注意力和信息瓶颈的医学图像分割方法，其特征在于，所述MultiIB
‑
Transformer编码部分包括依次连接的归一化层、多头自注意力机制、第一个IB块、归一化层、MLP层、第二个IB块，第一个IB块和第二个IB块以残差的形式加入。3.如权利要求2所述的基于自注意力和信息瓶颈的医学图像分割方法，其特征在于，IB块的目标函数为：其中，β是一个拉格朗日乘数，范围为[0,1]；E代表数学期望值，KL代表kullback leibler发散；q(y|z)是一个可以从网络中学习的分布；r(z)通常选择标准高斯分布。4.如权利要求1所述的基于自注意力和信息瓶颈的医学图像分割方法，其特征在于，在跳跃连接SC
‑
MRF部分，通过第一个卷积操作将低分辨率特征图中的语义信息转移到中分辨率特征图中，再通过第二个卷积操作将中分辨率特征图中的语义信息转移到高分辨率特征图中，得到第二输出特征图。5.如权利要求4所述的基于自注意力和信息瓶颈的医学图像分割方法，其特征在于，首先对底层特征图进行上采样，然后将上采样后的底层特征图与中间层特征图进行串联，将两者使用第一个1
×
1卷积进行特征融合，将第一次融合后的特征图添加到中间层特征图中；对添加了第一次融合后特征图的中间层特征图进行上采样，并将其与顶层特征图连接，使用第二个1
×
1卷积对顶层特征图和添加了第一次融合后特征图的中间层特征图进行特征融合，将第二次融合后的特征图加入到顶层特征图中。6.如权利要求4所述的基于自注意力和信息瓶颈的医学图像分割方法，其特征在于，中间层特征图的数学表达式...

【专利技术属性】
技术研发人员：戚萌，李光举，金德虎，于澜，于琦，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：