【技术实现步骤摘要】
本专利技术属于图像分割，具体涉及一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法。
技术介绍
1、现有息肉检测都是内窥镜医生手动完成的，这对人来说是一项耗费精力的工作，对医生的经验和能力依赖性很大。早期的分割方法是基于提取颜色、图案等特征，然后使用分类器将息肉与周围环境区分开来。然而，胶囊内窥镜会在短时间内产生许多图片，而且息肉与其周围粘膜之间的边界不清晰，会使人工检测这种方法存在很高的漏检率。每个息肉的位置、大小、颜色等都不一样，因此很难准确地分割它们。近年来，卷积神经网络(cnn)被引入到息肉分割中，并取得进展，例如，(li qiaoliang,yang guangyao,chen zhewei,etal.colorectal polyp segmentation using a fully convolutional neural network[c].2017 10th international congress on image and signal processing,biomedical engineering and informatics(cisp-bmei).ieee,2017:1-5.)提出了一种新的用于分割大肠息肉任务的全卷积神经网络但是没有成功分割出整个结直肠息肉的轮廓。(fan d p,ji gp,zhou t,et al.pranet:parallel reverse attention network forpolyp segmentation[c]//medical image comp
技术实现思路
1、为解决上述技术问题，本专利技术提出一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，包括：
2、s1：构建基于注意力机制和多尺度融合的胶囊内镜息肉分割网络；所述胶囊内镜息肉分割网络包括：颜色交换模块、主干网络、解码器、深度空洞空间卷积池化金字塔模块、空间并行分支残差注意力模块；
3、s2：用带标签的息肉图像数据对基于注意力机制和多尺度融合的胶囊内镜息肉分割网络进行训练，构建基于注意力机制和多尺度融合的胶囊内镜息肉分割网络的损失函数，在训练过程中，当损失函数的损失最小时，完成胶囊内镜息肉分割网络的训练；
4、s3：通过训练完成的胶囊内镜息肉分割网络进行息肉图像数据的息肉分割；
5、s31：将息肉图像数据输入颜色交换模块进行颜色分布差异处理；
6、s32：通过主干网络对颜色分布差异处理后的息肉图像进行特征提取，得到主干网络输出的五层特征图f1、f2、f3、f4、f5；
7、s33：将主干网络第三、四、五层输出的特征图f3、f4、f5输入深度空洞空间卷积池化金字塔模块增加特征图的感受野；
8、s34：将增加感受野后的特征图f3、f4、f5通过解码器上采样到同一尺度，将同一尺度的特征图相乘进行息肉特征聚合，得到全局特征图sg；
9、s35：将全局特征图sg和主干网络输出的第三、四、五层输出的特征图f3、f4、f5输入空间并行分支残差注意力模块进行息肉分割预测。
10、本专利技术的有益效果：
11、本专利技术设计了一个基于注意力机制和多尺度融合的胶囊内镜息肉分割网络，为了解决数据集中息肉图片的颜色分布差异可能导致的过拟合问题，使用了颜色交换模块(cc)；考虑到resnet主干网难以充分利用不同通道数的感受野，从而影响模型训练效果，提出了深度空洞空间卷积池化金字塔模块(d-aspp)模块，通过深度可分离卷积和通道混洗模块来进一步轻量化aspp和加强特征间的联系，从而在不增加大量计算复杂度的基础上提升模型性能，解决感受野不足的问题；为了解决息肉与外部环境不易区分的问题，提出了空间并行分支残差注意力模块(spbr)，首先将解码器(pd)的输出经过边界注意力分支、背景注意力分支、前景注意力分支得到三个注意图，再将三个注意力图进行concat后与解码器(pd)输出addition融合更好的从空间上抑制非息肉信息，并且注意力分支能更好的提取息肉的轮廓信息。
12、本专利技术设计的胶囊内镜息肉分割网络与主流息肉分割网络相比，对图片中与外部环境不易区分的息肉分割结果更精确且息肉边界更清晰；在kvasir、cvc-clinicdb、etis、cvc-colondb、cvc-300这五个数据集下得到得meandice和meaniou等评估指标比unet以及pranet性能更好。
本文档来自技高网...【技术保护点】
1.一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，所述主干网络采用Res2net50网络。
3.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，所述深度空洞空间卷积池化金字塔模块由五个分支构成；第一个分支为一个1*1的卷积；第二、三、四个分支分别为三个卷积核大小为3的空洞率分别为6，12，18的深度可分离卷积构成；第五个分支依次经过池化，1*1的卷积，上采样，最后把五个分支的输出结果Concat到一起，最后通过Channel Shuffle操作，保证不同通道的特征也能够互相流通。
4.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，所述空间并行分支残差注意力模块三部分构成；第一部分为息肉前景注意力机制分支，用于保留原有的息肉部分信息；第二部分为息肉边界注意力分支，用于更好的提取出息肉的轮廓信息；第三部分为息肉背景注意力机制分支，用于将息肉的预测图估计变得
5.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，所述基于注意力机制和多尺度融合的胶囊内镜息肉分割网络的损失函数，包括：
6.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，将息肉图像数据输入颜色交换模块进行颜色分布差异处理，包括：
7.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，将主干网络第三、四、五层输出的特征图f3、f4、f5输入深度空洞空间卷积池化金字塔模块增加特征图的感受野，包括：
8.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，将全局特征图Sg和主干网络输出的第三、四、五层输出的特征图f3、f4、f5输入空间并行分支残差注意力模块进行息肉分割，包括：
...【技术特征摘要】
1.一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，所述主干网络采用res2net50网络。
3.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，所述深度空洞空间卷积池化金字塔模块由五个分支构成；第一个分支为一个1*1的卷积；第二、三、四个分支分别为三个卷积核大小为3的空洞率分别为6，12，18的深度可分离卷积构成；第五个分支依次经过池化，1*1的卷积，上采样，最后把五个分支的输出结果concat到一起，最后通过channel shuffle操作，保证不同通道的特征也能够互相流通。
4.根据权利要求1所述的一种基于注意力机制和多尺度融合的胶囊内镜息肉分割方法，其特征在于，所述空间并行分支残差注意力模块三部分构成；第一部分为息肉前景注意力机制分支，用于保留原有的息肉部分信息；第二部分为息肉边界注意...
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。