一种基于极坐标下注意力的单目标医学图像分割方法技术

本发明专利技术提供了一种基于极坐标下注意力的单目标医学图像分割方法，其步骤为：对单目标医学图像数据集进行数据预处理操作；对预处理后的样本集进行特征提取；将提取到的特征图应用于极点预测网络以获得极点，并结合预测极点将中特征图转化至极坐标下使用极坐标下注意力分割网络对转化后的特征图进行分割；通过上述过程训练好整体网络模型，将预处理后的测试样本集输入网络中，并转化输出回至笛卡尔系，得到最终的分割结果

【技术实现步骤摘要】
一种基于极坐标下注意力的单目标医学图像分割方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于极坐标下注意力的单目标医学图像分割方法
。

技术介绍

[0002]医学图像分割是在医学图像上描绘具有重要诊断价值的解剖结构的任务，为临床诊断和治疗提供帮助
。
医学分割的一个常见用例是识别具有大致椭圆形或分布的单个结构，例如大多数器官
、
皮肤病变
、
息肉
、
心脏脂肪组织以及类似的结构和异常
。
[0003]在传统的图像分割方法中，基于规则的方法需要借助人工设计的特征，难以处理复杂的图像情况；而传统的机器学习方法需要领域专家的先验知识，同时也存在特征选择不合理等问题
。
深度学习方法通过自动学习图像特征，已经在医学图像分割任务中得到了广泛的应用
。
然而现有的医学图像分割方法几乎都是将分割任务视为像素级的分类问题，即对图像中的每一个像素，将其分类为相应的目标区域或者背景区域
。
此种对分割任务的表达方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于极坐标下注意力的单目标医学图像分割方法，其特征在于，包括以下步骤：
S1
：对获取的单目标医学图像数据样本集，进行图像数据预处理操作；
S2
：使用特征提取网络对步骤
S1
获取到的预处理后样本集进行多层次的特征提取；
S3
：将步骤
S2
提取到的特征图应用于极点预测网络以获得预测极点，并结合预测极点将
S2
中特征图转化至极坐标下，计算极坐标下面积损失；
S4
：使用极坐标下注意力分割网络对
S3
中转化后的特征图进行分割，并计算极坐标下注意力损失；
S5
：通过上述过程训练好整体网络模型，将预处理后的待分割图像输入网络中，并转化输出回至笛卡尔系，得到最终的分割结果
。2.
根据权利要求1所述的基于极坐标下注意力的单目标医学图像分割方法，其特征在于，所述步骤
S2
中的多尺度特征提取网络为
U
形特征提取网络，具体为：在特征提取网络的编码层部分，使用多层卷积操作和池化操作提取多尺度特征，其中每一层的卷积操作并行使用3个深度可分离卷积得到特征表达查询向量
Q、
键向量
K、
值向量
V
；使用多头自注意力应用于这三个特征表达求得全局注意力；用可变卷积对
RoI
进行针对性卷积获得目标信息
。
在特征提取网络的解码器部分使用跳跃连接和转置卷积将编码层提取的多尺度特征进行融合，获得对原始图像高
、
低层次特征的全面表达
。3.
根据权利要求1所述的基于极坐标下注意力的单目标医学图像分割方法，其特征在于，所述极点预测网络由两个沙漏网络模块和...

【专利技术属性】
技术研发人员：胡凯，罗安，张园，高协平，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：