一种基于全尺度跳跃连接U型结构的图像分割方法技术

本发明专利技术公开了一种基于全尺度跳跃连接U型结构的图像分割方法，涉及图像分割、深度学习等。本发明专利技术方法包括：将医学图像进行块分割，将分割得到的块特征输入到基于的Swin Transformer模块的编码器中进行下采样，通过下采样的方式抽取全局信息。将下采样后的特征输入到基于的Swin Transformer模块的解码器中进行上采样，通过上采样将特征图的分辨率恢复到输入分辨率，同时通过全尺度跳跃连接将每一个下采样块的输出传送给解码器中的每一个上采样块进行合并拼接，最终输出像素级分割预测。本发明专利技术方法通过全尺度跳跃连接，使分割模型捕获了全尺度下的细粒度语义和粗粒度语义，再融合Swin Transformer结构，改善了卷积的归纳偏置问题，有效提高了医学影像的语义分割性能。能。能。

【技术实现步骤摘要】
一种基于全尺度跳跃连接U型结构的图像分割方法


[0001]本专利技术涉及图像分割、深度学习及人工智能
，具体涉及一种基于全尺度跳跃连接U型结构的图像分割方法。

技术介绍

[0002]随着计算机科学的发展，深度学习方法在图像分割、目标检测、自然语言处理等领域取得了较大的突破和进展。在图像语义分割领域，U型网络凭借着跳跃连接来保留下采样中丢失的细节信息和在低分辨率图像中获取到的全局特征，这种融合不同尺度特征的编码器
‑
解码器结构设计大大提升了分割模型的性能。卷积神经网络(Convolutional Neural Network，CNN)作为深度学习中经典和高效的结构而被广泛使用。卷积神经网络的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度，且也易于训练和优化，因此以往U型网络分割模型使用卷积网络作为上下采样块中基准结构。尽管如此，卷积与生俱来的归纳偏置，阻碍了分割网络的进一步提升，而将Transformer结构引入到U型网络当中弥补了卷积的缺陷。虽然将Transformer引入到U型网络中带来了更好的结果，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全尺度跳跃连接U型结构的图像分割方法，其特征在于，包括如下步骤：步骤1)输入图像首先经过一个块切分层进行分块操作，切分为非重叠块，然后将切块输入线性嵌入层，将通道数调整为C。步骤2)将块特征输入编码器，经过三组连续的SwinTransformer特征学习组件和块合并层进行下采样，得到降低特征维度并保留有效信息的特征图。再经过瓶颈层中的两个组件，学习深度特征表示，并且易于模型收敛。步骤3)将经过瓶颈层的特征图输入到解码器中，通过三组连续的特征学习组件和块扩展层进行上采样。上采样中，在编码器与解码器之间采用全尺度跳跃连接进行特征融合，以获取包含全尺度空间信息的特征图。步骤4)将经过解码器的特征图输入全连接层，得到所述待分割图像的分割预测结果。2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，将图像切分成大小为4
×
4的非重叠图像块，每个图像块的特征维度为4
×3×
48。3.根据权利要求1所述的方法，其特征在于，所述的步骤3中，为了...

【专利技术属性】
技术研发人员：万玉钗，李一凡，贾舒琴，张珣，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：