一种息肉分割网络方法、系统、电子设备及存储介质技术方案

本发明专利技术提供一种息肉分割网络方法、系统、电子设备及存储介质，所述方法包括：S1获取目标图像，基于PVTv2骨干网络得到所述目标图像的四层金字塔特征；S2将所述四层金字塔特征输入到解码器中生成目标图像粗略图；S3在对所述四层金字塔特征输入到多尺度特征融合模块中进行卷积降维得到四个输出特征；S4基于息肉边缘和前景信息再恢复模块和四个输出特征得到分割结果。本发明专利技术提出充分利用高分辨率的分割粗略图和低分辨率的分割图的空间信息，通过相减操作挖掘息肉边界的解决方案可以精准挖掘息肉边界信息，减小对背景的关注，实现结肠镜图像中结直肠息肉的准确分割。图像中结直肠息肉的准确分割。图像中结直肠息肉的准确分割。

【技术实现步骤摘要】
一种息肉分割网络方法、系统、电子设备及存储介质


[0001]本专利技术属于图像处理领域、计算机辅助疾病诊断领域，具体涉及一种息肉分割网络方法、系统、电子设备及存储介质。

技术介绍

[0002]在早期阶段发现并切除结直肠息肉对预防、诊断和治疗结直肠癌非常关键。结肠镜检查是一种有效的结直肠癌筛查和诊断技术，因为它可以提供结直肠息肉的位置和外观信息，使医生能够在其发展成为结直肠癌之前将其切除。因此，结肠镜图像中结直肠息肉的准确分割对临床诊断和治疗都有非常重要的意义。
[0003]随着计算机视觉方法越来越广泛地应用于医学图像处理，其中的息肉分割方法也进展迅速。在各种息肉分割方法中，传统的息肉分割方法依赖于手工提取的特征，如纹理、颜色、形状、外观或这些特征的组合。然而，这些方法往往分割性能低下，泛化能力较差，且设计过程耗时耗力。深度学习克服了手工设计特征的短板，近年来在医学图像领域得到了十足的发展，在息肉分割上的技术也不断在发展。但是准确的息肉分割是一项具有挑战性的任务，现有的深度学习网络模型仍然存在一些不足和缺陷/有很大的提升空间。具体来说，息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种息肉分割网络方法，其特征在于，所述方法包括：S1获取目标图像，基于PVTv2骨干网络得到所述目标图像的四层金字塔特征；S2将所述四层金字塔特征输入到解码器中生成目标图像粗略图；S3在对所述四层金字塔特征输入到多尺度特征融合模块中进行卷积降维得到四个输出特征；S4基于息肉边缘和前景信息再恢复模块和四个输出特征得到分割结果。2.根据权利要求1所述的息肉分割网络方法，其特征在于，生成目标图像粗略图的方法具体为：对所述四层金字塔特征X1,X2,X3,X4进行1
×
1的卷积操作降维，然后对于降维后的X1先上采样到原来两倍后用3
×
3的卷积提取特征，后与降维后的X2相拼接，拼接之后进行两倍上采样再通过一个3
×
3的卷积，将这个卷积结果和降维后的X3相拼接，之后将拼接结果上采样两倍再通过一个3
×
3卷积，将这个卷积结果和降维后的X4相拼接，最后这个拼接结果通过一个1
×
1的卷积降维至1维，得到目标图像粗略图3.根据权利要求1所述的息肉分割网络方法，其特征在于，所述S3具体为：用注意力机制将所述四层金字塔特征融合，再经过卷积降维，最终得到具有丰富多尺度信息的输出特征F
i
,i∈{1,2,3,4}，其中，其中，F
i
为融合后的特征，这样分别得到了四个输出F1,F2,F3,F4。4.根据权利要求1所述的息肉分割网络方法，其特征在于，所述S4具体为：将融合后的特征、上一层基于息肉边缘和前景信息再恢复模块的输出特征和输出图输入到当前层基于息肉边缘和前景信息再恢复模块中，首先对融合后的特征分别做三次1
×
1卷积得到三个结果向量，然后将S2得到的目标图像粗略与其中一个结果向量逐元素相乘，其余两个结果向量均和输出图相乘，然后将与目标图像粗略图相乘得到...

【专利技术属性】
技术研发人员：岳广辉，张绍萍，肖厚禄，张俪馨，汪天富，
申请(专利权)人：深圳大学，
类型：发明
国别省市：