【技术实现步骤摘要】
本专利技术涉及深度学习与医学图像处理交叉领域，具体为基于带状池化的息肉分割方法及系统。
技术介绍
1、近年来，由于深度学习和人工智能的广泛应用和卓越性能，许多息肉分割算法应运而生。目前，大多数基于深度网络的主流医疗分割方法主要采用u-net网络，即对称编码器-解码器u-net网络，这种网络在生物医学领域已取得了成功。
2、但是u-net网络也有一些局限性。首先，在对图像进行下采样的过程中，目标的边界信息会逐渐丢失，而使用简单的跳跃连接来准确恢复丢失的边界信息具有挑战性。许多文献尝试优化跳接]或使用各种边界提取模块来弥补丢失的边界信息。但是，上述方法往往比较复杂，无法处理模糊边界，从而导致息肉目标的边界不准确。此外，随着网络中编码器结构的加深，小息肉很容易丢失。因此，处理具有显著尺度变化的息肉目标具有挑战性。为了解决这个问题，一些文献采用了空洞空间金字塔池化和特征融合策略来构建网络。息肉的尺度变化会直接影响分割结果。然而，上述方法并不能充分解决尺度变化的问题。
技术实现思路
1、针对现有技术中息肉图像分割中的尺度变化、语义鸿沟和模糊边界等问题，本专利技术提供一种基于带状池化的息肉分割方法及系统，增强网络分割条带状和孤立息肉目标的能力，有效获取边界信息，提高模糊边界提取能力。
2、本专利技术是通过以下技术方案来实现：
3、一种基于带状池化的息肉分割方法，包括以下步骤：
4、步骤1、将息肉图像输入构建的金字塔池化网络模型中，获取提取息肉图像
5、步骤2、采用不同的感受视野提取初步特征中不同尺度的息肉特征，并对不同尺度的息肉特征进行特征加权得到息肉特征图；
6、步骤3、根据息肉特征图并结合激活函数生成息肉特征的注意力图，根据注意力图和全局特征图sg得到息肉图像的初步边界特征outi-1，根据初步边界特征outi-1进行不同的卷积操作，得到局部边界特征和全局边界特征，根据局部边界特征和全局边界特征得到息肉图像的最终边界特征；
7、步骤4、采用上下文信息融合弥补语义差距对息肉图像进行降噪处理，然后采用带状池化方法并结合最终边界特征得到息肉目标；
8、步骤5、重复步骤1-4，对模型进行迭代训练，直至损失函数收敛，得到训练后的模型，根据训练后的模型对息肉图像进行预测。
9、优选的，步骤1中所述金字塔池化网络模型包括特征提取模块res2net、动态尺度选择模块dss、边界探索模块be和上下文条带特征交互模块csfi。
10、优选的，采用特征提取模块res2net的高级特征层提取息肉图像的初步特征并生成全局特征图sg。
11、优选的，步骤2中确定息肉特征图的方法如下：
12、采用不同空洞率的空洞卷积来表示不同感受野，提取不同尺度的息肉特征，对不同尺度的息肉特征进行逐尺度拼接以融合特征，融合特征结合softmax激活函数，生成两个加权特征图ωα和ωβ，并分别与不同尺度息肉图像相乘，然后将得到的不同比例的加权特征相加，得到部分尺度的息肉特征图，将各部分尺度的息肉特征图并结合sigmoid函数生成加权多尺度特征，将加权多尺度特征映射到初步特征得到息肉特征图。
13、优选的，所述部分尺度的息肉特征图f'的表达式如下：
14、
15、其中，f1,f2为不同尺度的息肉特征。
16、优选的，所述注意力图的生成方法如下：
17、对息肉特征图的深层特征ei进行采样处理，使其与上层特征ei-1相同，根据采样处理的深层特征ei并结合sigmoid激活函数生成息肉特征的边界预测图，根据对边界预测图进行计算得到相应的注意力图atti。
18、优选的，所述最终边界特征的确定方法如下：
19、将局部边界特征和全局边界特征的特征相加，再与深层特征ei相乘，得到息肉图像的最终边界特征。
20、优选的，步骤4所述息肉目标的确定方法如下：
21、对最终边界特征的深层特征进行上采样使其与浅层特征相同，采用共享权重的并行卷积对两个特征进行卷积操作，将两个卷积结果串联并分别进行带状平均池化和带状最大池化，得到带状平均池化滤波的息肉图像favg和带状最大池化滤波的息肉图像fmax，对息肉图像favg和息肉图像fmax进行信息融合得到融合息肉图像fc，然后通过sigmoid激活函数获得包含上下文信息的息肉特征预测图fmap，将初步边界特征的浅层特征和深层特征再分别与该息肉特征预测图fmap进行乘法运算并进行加权特征融合得到息肉目标。
22、一种基于带状池化的息肉分割方法的系统，包括，
23、特征提取模块，用于将息肉图像输入构建的金字塔池化网络模型中，获取提取息肉图像的初步特征并生成全局特征图sg；
24、动态尺度选择模块，用于采用不同的感受视野提取初步特征中不同尺度的息肉特征，并对不同尺度的息肉特征进行特征加权得到息肉特征图；
25、边界探索模块，根据息肉特征图并结合激活函数生成息肉特征的注意力图，根据注意力图和全局特征图sg得到息肉图像的初步边界特征outi-1，根据初步边界特征outi-1进行不同的卷积操作，得到局部边界特征和全局边界特征，根据局部边界特征和全局边界特征得到息肉图像的最终边界特征；
26、上下文条带特征交互模块，用于采用上下文信息融合弥补语义差距对息肉图像进行降噪处理，然后采用带状池化方法并结合最终边界特征得到息肉目标；
27、优化模块，用于对模型进行迭代训练，直至损失函数收敛，得到训练后的模型，根据训练后的模型对息肉图像进行预测。
28、与现有技术相比，本专利技术具有以下有益的技术效果：
29、本专利技术提供的一种基于带状池化的息肉分割方法，针对息肉图像分割中的尺度变化、语义鸿沟和模糊边界等问题，构建金字塔池化网络模型，为解决息肉尺度变化大的问题，采用注意力机制，为不同尺度的息肉目标分配适当的感受野区域，将不同尺度的息肉特征进行特征加权得到息肉特征图；其次，通过探索息肉图像的边界信息，提高模糊边界提取能力；最后，采用上下文条带特征交互方法，以有效抑制编码器和解码器特征之间的语义差异，增强网络分割条带状和孤立息肉目标的能力。
本文档来自技高网...【技术保护点】
1.一种基于带状池化的息肉分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于带状池化的息肉分割方法，其特征在于，步骤1中所述金字塔池化网络模型包括特征提取模块Res2Net、动态尺度选择模块DSS、边界探索模块BE和上下文条带特征交互模块CSFI。
3.根据权利要求2所述的一种基于带状池化的息肉分割方法，其特征在于，采用特征提取模块Res2Net的高级特征层提取息肉图像的初步特征并生成全局特征图Sg。
4.根据权利要求1所述的一种基于带状池化的息肉分割方法，其特征在于，步骤2中确定息肉特征图的方法如下：
5.根据权利要求4所述的一种基于带状池化的息肉分割方法，其特征在于，所述部分尺度的息肉特征图F'的表达式如下：
6.根据权利要求1所述的一种基于带状池化的息肉分割方法，其特征在于，所述注意力图的生成方法如下：
7.根据权利要求6所述的一种基于带状池化的息肉分割方法，其特征在于，所述最终边界特征的确定方法如下：
8.根据权利要求1所述的一种基于带状池化的息肉分割方法，其特征在于，
9.一种执行权利要求1-8任一项所述基于带状池化的息肉分割方法的系统，其特征在于，包括，
...【技术特征摘要】
1.一种基于带状池化的息肉分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于带状池化的息肉分割方法，其特征在于，步骤1中所述金字塔池化网络模型包括特征提取模块res2net、动态尺度选择模块dss、边界探索模块be和上下文条带特征交互模块csfi。
3.根据权利要求2所述的一种基于带状池化的息肉分割方法，其特征在于，采用特征提取模块res2net的高级特征层提取息肉图像的初步特征并生成全局特征图sg。
4.根据权利要求1所述的一种基于带状池化的息肉分割方法，其特征在于，步骤2中确定息肉特征图的方法如下：<...
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。