【技术实现步骤摘要】
一种基于动态可变形卷积与滑窗自适应互补注意力机制的医学图像分割方法
[0001]本专利技术属于图像处理
以及模式识别领域,具体涉及一种基于动态可变形卷积与滑窗自适应互补注意力机制的医学图像分割方法。
技术介绍
[0002]医学图像分割在医学图像处理领域扮演着十分重要的角色,同时也是计算机辅助诊断和治疗系统的核心技术之一。传统方法依靠专业且经验丰富的医生对大量的医学图像数据进行手工标注与分割,不仅费时费力,而且容易受到主观因素的影响。近年来,随着人工智能,计算机技术的快速发展,研究人员在大量实验的基础上,开发出了许多新的医学图像自动分割算法。现有的医学图像分割方法主要是基于深度学习的方法,这些方法大致可以分为基于CNNs和基于Transformer网络两大类。
[0003]基于深度学习的算法能够通过多层网络结构学习医学图像的高维特征信息。在各种与医学图像分割相关的深度学习网络中,卷积神经网络(Convolutional Neural Networks,CNNs)的表现极具出色。CNNs能够有效的从大规模医学数据集中学习到区分特征和提取先验知识的能力,使其成为了现代智能医学影像分析系统的重要组成部分。2015年,Ronnebreger等人受到FCN网络的启发,在ISBI cell tracking challenge中设计出了第一个用于医学图像分割的端到端网络U
‑
Net。U
‑
Net网络是一种对称的编解码结构,其独特的设计结构可以充分利用医学图像的局部细节信息,降低网络 ...
【技术保护点】
【技术特征摘要】
1.一种基于动态可变形卷积与滑窗自适应互补注意力机制的医学图像分割方法,其特征在于,包括:1)加载医学图像数据集并进行预处理;2)构建CNNs与Transformer融合网络并进行训练,CNNs与Transformer融合网络由双支路网络并行交互组成,动态可变形卷积操作在CNNs分支内,滑窗自适应互补注意力机制在Transformer分支内;动态可变形卷积能够根据特定的医学图像分割任务和数据分布,自适应地学习卷积核形变偏移量和卷积核权重系数,同时通过网络的反向传播实现端到端的训练,从而实现卷积核形状与权重的双重变化;滑窗自适应互补注意力机制具有四个可学习参数的Transformer自注意力分支,能够提取空间内的图像全局信息,并捕获空间与通道之间跨维度的长距离相关特征;3)输出CNNs分支和Transformer分支各自的分割预测结果;对分割预测结果进行融合判别,输出最终优化的分割结果。2.根据权利要求1所述的一种基于动态可变形卷积与滑窗自适应互补注意力机制的医学图像分割方法,其特征在于,所述预处理包括:将数据集原始图像尺寸统一调整为224
×
224;对原始数据集中的图像进行随机缩放操作,缩放比例在0.9到1.5之间;按0.5的比例对原始数据集中的图像进行随机垂直翻转、水平翻转、90
°
旋转或270
°
旋转。3.根据权利要求1所述的一种基于动态可变形卷积与滑窗自适应互补注意力机制的医学图像分割方法,其特征在于,所述动态可变形卷积中卷积核的形状变化是基于网络对形变偏移量的学习,网络首先利用方形卷积核S对输入特征图X进行采样,接着与权重矩阵M进行加权求和;形变偏移量的学习中3
×
3的卷积核表示为:S={(0,0),(0,1),(0,2),...,(2,1),(2,2)}此时输出特征图Y中的每个位置坐标表示为:当在权重矩阵M中引入形变偏移量后,N为S的总长度,则:通过网络学习,最终得到一个与输入特征图相同尺寸的偏移量矩阵,矩阵维度是输入特征图的2倍。4.根据权利要求1或3所述的一种基于动态可变形卷积与滑窗自适应互补注意力机制的医学图像分割方法,其特征在于,所述动态可变形卷积中卷积核权重变化是通过引入权重系数来决定,对于权重系数的学习,常规卷积的特征图输出结果表示为:y=σ(W
×
x)其中σ为激活函数,W为卷积核权重矩阵,引入权重系数之后,特征图经过动态可变形卷积后的输出结果为:y=σ((α1×
W1+
…
+α
n
×
W
n
)
×
x)n为权重系数的个数,α
n
是具有可学习参数的权重系数。5.根据权利要求1所述的一种基于动态可变形卷积与滑窗自适应互补注意力机制的医
学图像分割方法,其特征在于,所述滑窗自适应互补注意力机制采用滑窗计算方式只计算局部窗口内的自注意力,同时设置了紧致卷积投影,包括:首先通过滑窗操作降低医学图像的局部尺寸,然后通过紧致卷积投影对医学图像的通道维度进行压缩,最后计算自注意力。6...
【专利技术属性】
技术研发人员:雷涛,孙瑞,杜晓刚,杨子瑶,薛明园,闵重丹,
申请(专利权)人:陕西科技大学,
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。