【技术实现步骤摘要】
本专利技术涉及医学图像处理领域，尤其涉及一种融合注意力机制的医学图像分割方法。
技术介绍
1、在过去几十年中，医学成像已成为辅助医生诊断病情的首要技术。随着科技的发展与新型医学影像技术的日益成熟，医学影像主要包括计算机断层扫描、核磁共振图像、x射线(x-ray)、光学相干断层扫描、电子显微镜、超声和正电子发射断层扫描七大类。医学图像分析的目的是突出图像中的某些特征信息并对其进行处理和分析，医学图像分割作为医学成像中分析领域中的重要任务，在医疗手术计划、放射性治疗计划和解剖教学等方面有重要的应用，具有广泛的应用前景与很高的实用价值，是国内外专家学者广泛关注的研究课题。
2、医学图像分割的过程是在病灶图像中提取被分割器官的特征，将感兴趣的区域从周围环境中提取出来并分析其物理和病理信息，为疾病的诊断提供强有力的保障。传统的分割方法主要有边缘检测、区域生长、局部阈值、小波变换等，但由于医学图像可能存在各种类型的噪声和模糊，以及由于患者自身个体差异而导致目标形态异常及软组织间相似边界信息弱等问题，所以需要引入计算机辅助诊断技术来改善上述问题，来减轻医生的阅片负担并避免主观判断误差。不同于自然图像处理，医学图像的分割比自然图像中的目标更小，边缘分割精确度高，所需的专业性知识更高，对医学图像中的器官组织进行精确分割需要学习可用于定量分析的临床参数，使得医学图像分割的难度相对较大。传统的医学图像分割方法多数集中在灰度统计、阈值分割和边缘检测等方法，其应用场景单一，不具备通用性。
3、近年来，随着深度学习的快速发展，深度学
4、随着深度学习的发展，将深度学习应用于医学图像的分割是大势所趋。然而，多数基于深度学习的医学图像分割方法在医学图像中的应用普遍采用与自然图像相同的方法进行处理，没有针对医学图像中存在的如特定任务只能处理特定图像以及通用模型中检测精读较低等一系列问题提出相应的解决方法，特征信息冗杂且极易引入背景噪声，边缘分割不明确，检测精度较低，表现效果有待提升，实际检测效果仍不理想，易出现错检与漏检的情况。
技术实现思路
1、针对现有技术中存在的不足，本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术提出一种训练效果好、时间成本低且大小目标通用的医学图像分割方法。
2、本专利技术实施例提供了一种构建多类型的医学图像数据集编码流程实现图像的特征提取，针对多类型的医学图像数据集进行少量半自动人工标注，交互式分割注释掩膜，插入额外的可训练层，医学图像数据集经过训练层，进行医学图像特征提取；
3、获取生成的医学图像特征提取数据集嵌入卷积处理流程，利用注意力机制对医学图像进行全局分析，通过全卷积通道以及层归一化进行图像特征优化；
4、构建依据图像中稀疏提示对医学图像的提示工程处理流程，稀疏提示映射到全卷积层进行嵌入，利用clip算法和align算法对比学习训练对齐两种模式的文本和图像编码器，以实现下游任务；
5、获取提示工程和卷积处理的数据集进行注意力机制处理流程，注意力机制可进行对令牌的自我关注，可进行从令牌到图像嵌入的交叉关注，可进行从图像嵌入到令牌的交叉关注，可进行更新每个令牌；
6、采用激活函数优化和优化器加速医学图像检测方法；其中，引入优化器和线性学习率进行多次迭代和学习率衰减，引入新的激活函数模块，加速模型检测速度。
7、可选地，所述构建多类型的医学图像数据集自动编码处理流程，包括：
8、医学图像数据集自动处理流程需要针对多任务的不同类型医学图像数据进行少量半自动人工标注；
9、数据集自动处理流程经过数据引擎，模型协助注释者注释掩膜，实现交互式分割设置；
10、针对多类型的医学图像数据集插入额外的可训练lora层，医学图像数据集经过训练层，训练层对医学图像进行特征提取。
11、可选地，所述获取生成的医学图像特征提取数据集嵌入卷积处理流程，包括：
12、采用注意力机制对医学图像进行全局分析，经过注意力机制处理，得到九个等距的全局注意力块；
13、九个等距的全局注意力块通过全卷积通道，每个卷积层都进行层归一化进行图像特征优化。
14、可选地，所述构建依据图像中稀疏提示对医学图像的提示工程处理流程，包括：
15、对稀疏提示点，框和蒙版映射到全卷积层进行图像嵌入；
16、利用clip算法和align算法对比学习训练对齐两种模式的文本和图像编码器，以实现下游任务。
17、可选地，所述获取提示工程和卷积处理的医学图像数据集进行注意力机制处理流程，包括：
18、构建多尺度注意力模块，通过全局上下文建模，缓解传统卷积操作中感受野受限的问题，为特征图带来更全面的信息；
19、设计实现一种基于令牌的多头注意力机制处理流程模块，可以对每个令牌进行自我关注，可以对每个令牌进行更新，可以进行从令牌到图像嵌入的交叉关注，可以进行从图像嵌入到令牌的交叉关注，该模块使用提示信息更新图像嵌入；
20、每一个自关注和交叉关注注意力与mlp进行训练，在每一个自关注和交叉关注注意力中都与mlp设计了残差连接，层归一化和dropout层；
21、从多头注意力机制中获取到的更新的令牌和更新的图像进行再嵌入，使用转置卷积层对更新后的图像嵌入进行上采样，在最后一个维度上执行softmax和argmax操作，提高计算效率。
22、可选地，所述采用激活函数优化的模型和优化器加速检测方法，包括：...
【技术保护点】
1.一种融合注意力机制的医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的一种融合注意力机制的医学图像分割方法，其特征在于，所述构建多类型的医学图像数据集自动编码处理流程，包括：
3.根据权利要求1所述的一种融合注意力机制的医学图像分割方法，其特征在于，获取生成的医学图像特征提取数据集嵌入卷积处理流程，包括：
4.根据权利要求1所述的一种融合注意力机制的医学图像分割方法，其特征在于，构建依据图像中稀疏提示对医学图像的提示工程处理流程，包括：
5.根据权利要求1所述的一种融合注意力机制的医学图像分割方法，其特征在于，获取提示工程和卷积处理的医学图像数据集进行注意力机制处理流程，构建融合注意力机制的医学图像分割模型，包括：
6.根据权利要求1所述的一种融合注意力机制的医学图像分割方法，其特征在于，采用激活函数优化的模型和优化器加速检测方法，包括：
【技术特征摘要】
1.一种融合注意力机制的医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的一种融合注意力机制的医学图像分割方法，其特征在于，所述构建多类型的医学图像数据集自动编码处理流程，包括：
3.根据权利要求1所述的一种融合注意力机制的医学图像分割方法，其特征在于，获取生成的医学图像特征提取数据集嵌入卷积处理流程，包括：
4.根据权利要求1所述的一种融合注意力机制的医学图像...
【专利技术属性】
技术研发人员：张丽，罗亮钦，林靖，
申请(专利权)人：广州市豁朗医疗科技有限公司，
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。