【技术实现步骤摘要】
本专利技术涉及图像处理，更具体的说是涉及一种基于amcfnet网络的图像分割方法及系统。
技术介绍
1、目前，蜂窝肺是一种严重威胁人类健康的常见疾病，它具有病程长、致死率高、预后差、生存率低等特点，导致蜂窝肺患者存活率及治愈率较低。随着计算机计算能力的不断发展，计算机辅助医疗以其准确性和便捷性被广大医务工作者所接受，但如何从ct切片中准确分割蜂窝肺成为一个重点和难点。同时，由于其蜂窝肺图像特征呈现出形状不规则、灰度不均匀、纹理复杂、变形大等特点，导致现有的基于深度学习的分割方法，尤其是卷积神经网络，在蜂窝肺图像的分割中准确率较低。
2、因此，如何在蜂窝肺图像中精准分割病灶是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于amcfnet网络的图像分割方法及系统，将不同的模块相互结合，综合其优势，构建优秀的分割模型，兼顾了整体表达与边界细节。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于amcfnet网络的图像分割方法，包括建立amcfnet网络模型对蜂窝肺图像进行病灶分割，具体如下：
4、s1：获取蜂窝肺图像数据，在编码器阶段提取特征信息，得到所述图像数据的全局特征信息和局部特征信息；
5、s2：对所述局部特征信息的输入特征图通过并行的卷积块进行特征提取得到新特征图，将所述输入特征图进行多头注意力机制处理，提取所述输入特征图中注意力权重，进行加权处理后与所述新特征图相加
6、s3：对所述全局特征信息分别进行增强边缘信息权重与通过并行多层感知机进行特征信息补偿的操作；
7、s4：将增强边缘信息权重后的全局特征信息的特征图与通过并行多层感知机进行特征信息补偿的全局特征信息的特征图相加并以双线性插值法进行尺寸调整，进一步与同样经过尺寸调整的所述输出图的对应元素相加，得到最终特征图。
8、优选的，得到所述图像数据的全局特征信息和局部特征信息具体包括：通过编码器对蜂窝肺图像数据的图像尺寸进行缩小，其中所述局部特征信息所包含的尺寸有512×512、256×256、128×128；所述全局特征信息所包含的尺寸有64×64、32×32、16×16。
9、优选的，所述s2具体包括：
10、s2.1：输入特征图通过三块并行的卷积块提取特征，卷积块由三块尺寸分别是3×3，5×5，7×7的卷积核，归一化层和relu激活函数组成，将通过三块并行的卷积块提取特征得到的特征图相加得到新特征图；
11、s2.2：将所述输入特征图输入到若干个注意力头中，对所述输入特征图执行全局平均池化操作进行降维并压缩通道数，之后通过mlp进行线性变换，并通过逆卷积恢复通道数；
12、s2.3：沿着恢复通道数后的通道维度对所述注意力头输出的特征图进行拼接，获取注意力图；所述注意力图相加进一步得到注意力权重，将注意力权重与输入特征图相乘得到加权特征，并与所述新特征图相加得到输出图。
13、优选的，所述增强边缘信息权重具体包括：将所述全局特征信息的特征图通过双线性插值法统一尺寸后，利用点积操作对特征进行交互融合，进一步采用级联操作融合和提取特征获得第一特征图，将所述第一特征图进行不同维度的特征提取，分别得到第一、第二、第三特征张量，之后对特征张量进行形状调整，在形状调整过程中，将所述第一、第二特征张量由四位张量转换为三维张量并进行相乘，获得注意力图，将所述注意力图进行归一化，得到注意力权重；随后对第三特征张量的形状进行调整并与所述注意力权重相乘得到融合注意力信息的特征张量；将融合注意力信息的特征张量的形状进行调整，使其与第一特征图形状相同，与所述第一特征图按元素相加并乘以一个缩放因子，随后返回输出张量。
14、优选的，所述通过并行多层感知机进行特征信息补偿具体包括：接受全局特征信息中的特征图，经过全连接层，层归一化和gelu激活函数之后得到第二特征图，并输入到并行多层感知机中，将第二特征图以通道切割为第三特征图、第四特征图，将第三特征图、第四特征图栅格化为网格，随后通过flatten操作展平，对展平后第三特征图的网格进行第一维度的fc操作，对展平后第四特征图的网格进行第二维度的fc操作，之后再还原为原本大小的图像并相加得到最终的与全局特征信息中相对应的特征图大小完全相同的第五特征图。
15、优选的，所述s4具体包括：
16、s4.1：将增强边缘信息权重后的全局特征信息的特征图与第五特征图相加得到第六特征图，将所述第六特征图通过双线性插值法放大，与其他大小的第五特征图相加之后再放大，依次进行，直到放大到全局特征信息的特征图中最大的尺寸，此时为第七特征图；
17、s4.2：将所述第七特征图通过转置卷积进行尺寸调整，使其与所述输出图中最小的一幅输出图的尺寸相同后，与所述最小的一幅输出图进行特征拼接得到第八特征图，之后重复进行上述操作，直到其尺寸还原到所述局部特征信息中最大的特征图的尺寸，此时为第九特征图；将所述第七特征图通过双线性插值直接还原到所述局部特征信息中最大的特征图的尺寸，并与第九特征图进行对应元素相加，输出最终的特征图。
18、一种基于amcfnet网络的图像分割系统，包括建立amcfnet网络模型对蜂窝肺图像进行病灶分割，具体如下：
19、编码器模块，获取蜂窝肺图像数据，在编码器阶段提取特征信息，得到所述图像数据的全局特征信息和局部特征信息；
20、局部特征信息补偿模块，对所述局部特征信息的输入特征图通过并行的卷积块进行特征提取得到新特征图，将所述输入特征图进行多头注意力机制处理，提取所述输入特征图中注意力权重，进行加权处理后与所述新特征图相加得到输出图；
21、全局特征信息补偿模块，对所述全局特征信息通过并行多层感知机进行特征信息补偿的操作；
22、瓶颈层模块，对所述全局特征信息进行增强边缘信息权重的操作；
23、解码器模块，将增强边缘信息权重后的全局特征信息的特征图与通过并行多层感知机进行特征信息补偿的全局特征信息的特征图相加并以双线性插值法进行尺寸调整，进一步与同样经过尺寸调整的所述输出图的对应元素相加，得到最终特征图。
24、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于amcfnet网络的图像分割方法及系统，提出一种级联多维空间注意力模块，提高边缘区域在整体特征中的重要性，提高病灶区域的分割精度；提出两种用于连接编码器与解码器的特征信息补偿模块，提高解码过程中图像特征完整性的恢复程度，增强编码器解码器的语义关联性；采用阶段解码器的结构，减少反卷积导致的计算量，并融合两种解码方式的优点，提高输入图像整体结构的还原性。本专利技术将不同的模块相互结合，综合其优势，构建优秀的分割模型，兼顾整体表达与边界细节。
本文档来自技高网...【技术保护点】
1.一种基于AMCFNet网络的图像分割方法，其特征在于，包括建立AMCFNet网络模型对蜂窝肺图像进行病灶分割，具体如下：
2.根据权利要求1所述的一种基于AMCFNet网络的图像分割方法，其特征在于，得到所述图像数据的全局特征信息和局部特征信息具体包括：通过编码器对蜂窝肺图像数据的图像尺寸进行缩小，其中所述局部特征信息所包含的尺寸有512×512、256×256、128×128；所述全局特征信息所包含的尺寸有64×64、32×32、16×16。
3.根据权利要求2所述的一种基于AMCFNet网络的图像分割方法，其特征在于，所述S2具体包括：
4.根据权利要求2所述的一种基于AMCFNet网络的图像分割方法，其特征在于，所述增强边缘信息权重具体包括：将所述全局特征信息的特征图通过双线性插值法统一尺寸后，利用点积操作对特征进行交互融合，进一步采用级联操作融合和提取特征获得第一特征图，将所述第一特征图进行不同维度的特征提取，分别得到第一、第二、第三特征张量，之后对特征张量进行形状调整，在形状调整过程中，将所述第一、第二特征张量由四位张量转换为三维
5.根据权利要求2所述的一种基于AMCFNet网络的图像分割方法，其特征在于，所述通过并行多层感知机进行特征信息补偿具体包括：接受全局特征信息中的特征图，经过全连接层，层归一化和GELU激活函数之后得到第二特征图，并输入到并行多层感知机中，将第二特征图以通道切割为第三特征图、第四特征图，将第三特征图、第四特征图栅格化为网格，随后通过Flatten操作展平，对展平后第三特征图的网格进行第一维度的FC操作，对展平后第四特征图的网格进行第二维度的FC操作，之后再还原为原本大小的图像并相加得到最终的与全局特征信息中相对应的特征图大小完全相同的第五特征图。
6.根据权利要求5所述的一种基于AMCFNet网络的图像分割方法，其特征在于，所述S4具体包括：
7.一种基于AMCFNet网络的图像分割系统，其特征在于，包括建立AMCFNet网络模型对蜂窝肺图像进行病灶分割，具体如下：
...【技术特征摘要】
1.一种基于amcfnet网络的图像分割方法，其特征在于，包括建立amcfnet网络模型对蜂窝肺图像进行病灶分割，具体如下：
2.根据权利要求1所述的一种基于amcfnet网络的图像分割方法，其特征在于，得到所述图像数据的全局特征信息和局部特征信息具体包括：通过编码器对蜂窝肺图像数据的图像尺寸进行缩小，其中所述局部特征信息所包含的尺寸有512×512、256×256、128×128；所述全局特征信息所包含的尺寸有64×64、32×32、16×16。
3.根据权利要求2所述的一种基于amcfnet网络的图像分割方法，其特征在于，所述s2具体包括：
4.根据权利要求2所述的一种基于amcfnet网络的图像分割方法，其特征在于，所述增强边缘信息权重具体包括：将所述全局特征信息的特征图通过双线性插值法统一尺寸后，利用点积操作对特征进行交互融合，进一步采用级联操作融合和提取特征获得第一特征图，将所述第一特征图进行不同维度的特征提取，分别得到第一、第二、第三特征张量，之后对特征张量进行形状调整，在形状调整过程中，将所述第一、第二特征张量由四位张量转换为三维张量并进行相乘，获得注意力图，将所述注意力图进行归一化...
【专利技术属性】
技术研发人员：李钢，张玲，孙源瑾，周蔓兰，侯瑞祥，杨之博，王启阳，
申请(专利权)人：太原理工大学，
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。