【技术实现步骤摘要】
本专利技术属于医学图像处理，具体涉及一种基于交叉增强自注意力的医学图像分割方法。
技术介绍
1、医学图像中的目标分割是医学图像处理与分析领域的重要基础，是提供解剖区域基本信息的重要手段。精确、可靠的目标分割可协助医疗保健专业人员准确识别损伤、监测疾病进展和制定适当的治疗方案。
2、然而，医学图像分割是一项极具挑战性的任务，需要精确描绘出具有不同形状、不同外观或不同程度病变的解剖结构和器官。卷积神经网络(cnn)在各种图像分割任务中表现出优越的性能。全卷积网络(fcns)采用的编码器-解码器架构和跳跃连接，实现了深度语义信息与浅层外观信息的融合，提升了分割精度。尽管基于cnn的模型取得了成功，但它们同时存在感受野受限、归纳偏差和无法建立长距离依赖关系等不足。针对上述问题，已有学者提出通过使用扩张卷积扩大感受野或加入注意力模块来增强显著语义特征。然而，上述做法依然难以捕捉医学图像分割所需的足够的长距离依赖关系。
3、为了克服cnn在全局建模上的局限，近年来dosovitskiy等人开发了视觉transformer模型...
【技术保护点】
1.一种基于交叉增强自注意力的医学图像分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于交叉增强自注意力的医学图像分割方法，其特征在于，步骤(2-a)所述的对称块融合模块，具体结构包括：对于输入特征依次进行步长为1的3×3卷积和层归一化，得到特征然后，采用一个平行的二分支结构对特征进行下采样，每个分支包含一个无损下采样操作，由此可得到两个分支的输出，分别为和最后，将g0和g1分别进行相加和相减操作，得到对称块融合模块的输出φ0＝g0-g1和φ1＝g0+g1，且
3.如权利要求2所述的一种基于交叉增强自注意力的医学图像分割方法，...
【技术特征摘要】
1.一种基于交叉增强自注意力的医学图像分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于交叉增强自注意力的医学图像分割方法，其特征在于，步骤(2-a)所述的对称块融合模块，具体结构包括：对于输入特征依次进行步长为1的3×3卷积和层归一化，得到特征然后，采用一个平行的二分支结构对特征进行下采样，每个分支包含一个无损下采样操作，由此可得到两个分支的输出，分别为和最后，将g0和g1分别进行相加和相减操作，得到对称块融合模块的输出φ0＝g0-g1和φ1＝g0+g1，且
3.如权利要求2所述的一种基于交叉增强自注意力的医学图像分割方法，其特征在于，所述的无损下采样操作，具体结构包括：对于输入特征依次进行步长为2的3×3卷积和gelu激活，得到特征然后，将特征r进行步长为2的上采样，得到特征并将特征r和r′相减，得到特征gm＝r-r′；接着，对gm依次进行形态学膨胀和步长为2的平均池化操作，得到特征最后将特征与相加，即可得到无损下采样操作的输出。
4.如权利要求1所述的一种基于交叉增强自注意力的医学图像分割方法，其特征在于，步骤(2-a)所述的交叉增强自注意力模块，具体结构包括：首先，采用n个级联的交叉连接自注意力模块对输入特征和进行处理，得到特征和然后，将特征与进行相加操作得到特征将特征与进行相加操作得到特征最后将y0与y1进行拼接，得到交叉增强自注意力模块的输出特征
5.如权利要求4所述的一种基于交叉增强自注意力的医学图像分割方法，其特征在于，所述的交叉连接自注意力模块，具体结构包括：首先构建两条支路，其中第一条支路由一个自注意力模块和一个局部增强模块连接组成，第二条支路由一个聚焦模块和一个局部增强模块连接组成；然后，在两条支路之间引入交叉连接，具体为，输入特征i0不仅作为第一条支路中自注意力模块的输入，还作为第二条支路中局部增强模块的输入；输入特征i1不仅作为第二条支路中聚焦模块的输入，还作为第一条支路中局部增强模块的输入；此外，支路中局部增强模块的输出即为交叉连接自注意力模块的输出；基于上述描述，交叉连接自注意力模块包含两个输入特...
【专利技术属性】
技术研发人员：廖苗，杨睿新，邸拴虎，梁伟，赵于前，
申请(专利权)人：湖南科技大学，
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。