【技术实现步骤摘要】
本专利技术属于医学图像分割，具体地讲，设计一种基于mat-unet的医学图像分割方法，在较小规模的医学图像数据集上，实现更好的分割效果。
技术介绍
1、随着机器学习与深度学习的发展，计算机视觉技术在医学图像分析中得到了广泛的应用。图像分割是医学图像分析的重要组成部分，特别是在计算机辅助诊断与图像引导的临床手术中发挥着重要作用。医学图像作为重要的信息载体，它能够反映解剖区域的内部结构和功能。医学成像类型包括磁共振成像、计算机断层扫描、发射型计算机断层扫描和功能性成像等，医生通过观察这些生物医学图像来评估组织或器官的当前状况，最终提高诊断的准确性。
2、目前医学图像分割处理的对象主要是各种人体器官、组织和病变的图像。医生往往需要借助医学图像分割技术来提供更加清晰的患者病情信息。这些信息不仅能够协助临床医生进行更有效地诊断，而且还能够提供治疗方案，使诊断的准确性和可靠性得到有效提高。因此，医学图像分割技术已经成为医疗领域中不可或缺的步骤之一。
3、在临床诊断上，准确且快速的医学图像分割有助于帮助医生快速确定病灶范围以及判断病变目标的情况，从而进行下一步诊断和治疗，为病人提供合适的治疗方案，极大的提高工作效率。卷积神经网络(convolutional neural networks，cnn)和transformer由于自身强大的特征提取能力，能够从大量的医学图像数据中捕获病灶的各种信息特征，为病情的诊断和治疗提供帮助。
4、目前，在医学图像分割任务中，cnn和transformer的混合模型展现出较好
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提出一种基于mat-unet的医学图像分割方法，用于准确分割医学图像。
2、为了实现上述目的，本专利技术所采用的技术方案如下。
3、基于mat-unet的医学图像分割方法，具体实现步骤如下：
4、步骤一，选择较小规模的公开数据集，将数据集划分为训练集、测试集和验证集，并对其中图像进行预处理；
5、步骤二，基于编码器-解码器结构的u型网络框架，构建mat-unet分割模型，利用传统卷积层和多种注意力机制，进行特征的提取和学习，并结合跳跃连接，保持低级特征；
6、步骤三，设计局部-全局高斯权重自注意力模块（lgg-sa模块），更多关注局部信息，节省计算资源。此模块将局部自注意力和全局自注意力进行结合，并在全局自注意力中加入高斯权重轴向注意力（gwaa）。gwaa通过一个可学习的高斯矩阵进行加权；
7、步骤四，设计基于混合注意力的transformer模块（matm），融合了局部-全局高斯权重自注意力（lgg-sa）和门控轴向注意力（gaa）。这一模块用于替代原始transformer的sa模块，实现更好的性能；
8、步骤五，在跳跃连接中加入残差块（residual block）和多级特征编译模块（mlfc模块），考虑来自不同编码器级别的特征映射，以减少语义间隙。
9、在步骤一中，所选用的医学图像分割数据集为acdc自动心脏诊断挑战数据集和synapse多器官分割数据集，预处理时将所有图像调整为224×224大小的图像。
10、在步骤二中，构建基于编码器-解码器结构的u型网络框架分割模型，具体过程如下：
11、基于编码器-解码器结构的u型网络框架构建分割模型，编码器部分由传统卷积块和混合transformer模块组成，解码器部分与编码器部分一一对应，由传统卷积块和混合transformer组成，编码器和解码器间用跳跃连接进行连接。
12、在编码器部分，卷积阶段使用传统卷积块进行卷积运算，进行浅层特征的提取。通过卷积可以在建模全局关系前引入一些结构信息，更多关注局部关系，同时也包含更多的高分辨率细节信息。卷积阶段采用最大池化的方法进行下采样。在卷积过后的更深层次使用混合transformer模块进行局部表征的学习。此时空间分辨率较小，计算成本也比较低，此阶段使用步长为2的步长卷积实现下采样。
13、在解码器部分，所有模块与编码器进行一一对应，较深层次使用混合transformer模块，浅层使用传统卷积块，在整个编码器部分全部使用反卷积进行上采样。
14、在bottleneck部分使用两个混合transformer模块，在编码器和解码器之间使用跳跃连接，保持尺度特征。
15、在步骤三中，设计局部-全局高斯权重自注意力模块（lgg-sa模块），并在全局自注意力中加入高斯权重轴向注意力（gwaa），具体内容如下：
16、局部自注意力（lsa）只计算窗口内的依赖，然后将每个窗口的token聚合为一个全局token来表示该窗口的主要信息。聚合函数部分使用轻量级动态卷积（ldconv）效果最好。在对整个特征图进行下采样后，可以用更少的计算成本计算全局自注意力（gsa），最后可以得到局部和全局表述级联后最终的输出。对于输入特征图，将窗口大小设置为，则整个过程可以表示为：
17、
18、
19、
20、其中，表示模块的输出，表示局部自注意力，表示相应的全局操作，表示轻量级动态卷积，表示全局操作后的上采样操作，示对局部和全局表述进行连接的操作。
21、此外，在gsa中加入高斯加权轴向注意力（gwaa）。gwaa通过一个可学习的高斯矩阵增强每个查询对附近标记的感知，同时轴向注意力计算复杂度也比较低。设表示聚合步骤得到的查询，对于中的查询，定义为与其对应的和之间的欧氏距离，其中和是由聚合后第行、第列的token生成的矩阵。将和的相似度记为，高斯权值为，最终某位置的输出可以表示为：
22、
23、由于方差是可学习的，因此上式可以等价地表示为：
24、
25、在步骤四中，设计基于混合注意力的transformer模块（matm），替代原始transformer的sa模块，实现更好的性能。
26、在上述lgg-sa的基础上，加入门控轴向注意力（gaa），将两者结合成一个混合注意力transformer模块（matm）。可以在细粒度的局部和粗粒度的全局上下文依次执行自注意力，又可以控制位置偏差的嵌入位置、施加的影响。
27、gaa能本文档来自技高网...
【技术保护点】
1.一种基于MAT-UNet的医学图像分割方法，具体实现包括以下步骤：
2.根据权利要求1所述的基于MAT-UNet的医学图像分割方法，其特征在于，所述步骤1中的医学图像分割数据集为ACDC自动心脏诊断挑战数据集和Synapse多器官分割数据集，预处理时将所有图像调整为224×224大小的图像。
3.根据权利要求1所述的基于MAT-UNet的医学图像分割方法，其特征在于，所述步骤2中构建基于编码器-解码器结构的U型网络框架分割模型，具体过程如下：
4.根据权利要求1所述的基于MAT-UNet的医学图像分割方法，其特征在于，所述步骤3中设计局部-全局高斯权重自注意力（LGG-SA），并在全局自注意力中加入高斯权重轴向注意力（GWAA），具体内容如下：
5.根据权利要求1所述的基于MAT-UNet的医学图像分割方法，其特征在于，所述步骤4中设计基于混合注意力的Transformer模块（MATM），替代原始Transformer模块中的SA模块，实现更好的性能；
6.根据权利要求1所述的基于MAT-UNet的医学图像分割方法
...【技术特征摘要】
1.一种基于mat-unet的医学图像分割方法，具体实现包括以下步骤：
2.根据权利要求1所述的基于mat-unet的医学图像分割方法，其特征在于，所述步骤1中的医学图像分割数据集为acdc自动心脏诊断挑战数据集和synapse多器官分割数据集，预处理时将所有图像调整为224×224大小的图像。
3.根据权利要求1所述的基于mat-unet的医学图像分割方法，其特征在于，所述步骤2中构建基于编码器-解码器结构的u型网络框架分割模型，具体过程如下：
4.根据权利要求1所述的基于mat-unet的医学图像分割方法，其特征在于，所述步骤3中设...
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。