【技术实现步骤摘要】
本专利技术涉及的领域为医学图像处理，特别涉及一种基于图结构的边缘注意力门的医学影像分割方法及装置。
技术介绍
1、医学图像作为临床诊断的重要资料，被医生广泛用于发现疾病、制定治疗计划和预后判别等用途。根据医学图像准确定位病灶并正确描绘病灶严重程度，可以显著提高疾病的检出率和诊断准确性。常用的医学成像技术包括x射线成像、计算机断层扫描(ct)、磁共振成像(mri)、超声检查、正电子发射断层扫描(pet)、血管造影和光学成像。
2、在早期阶段，学者们在处理医学图像分割任务时常采用轮廓检测、阈值、滤波、聚类、先验和机器学习算法等传统方法。随着深度学习技术的快速发展，广大学者在医学图像领域的研究方向由传统方法逐步过渡到深度学习方法。众多学者针对于医学图像分割已经取得显著的进展，尤其卷积核进行卷积操作时提取高维度特征的强大泛化能力时它在视觉任务中表现显著的优势。但是，这些进展伴随着两个待解决的问题。第一个问题是对于这种强大的泛化能力会带来一定程度上的局部位置信息丢失。例如，当使用较大的感受野去提取图像语义信息，提取的特征保存到一幅小特...
【技术保护点】
1.一种基于图的边缘注意力门医学影像分割方法，其特征在于，包括步骤S110-S150：
2.根据权利要求1所述的方法，其特征在于，步骤S120中的数据预处理方法包括步骤S210-S230；具体是S210三维医学图像切片、S220二维图像归一化、S230二维图像缩放：
3.根据权利要求1所述的方法，其特征在于，在步骤S130中对基于图的边缘注意力门医学影像分割模型(EAGC_IUNet)进行构建，采用改进UNet3+作为主干网络，包括一个图编码器模块、一个卷积编码器模块和一个解码器部分，具体如下：
4.根据权利要求3所述的方法，其特征...
【技术特征摘要】
1.一种基于图的边缘注意力门医学影像分割方法，其特征在于，包括步骤s110-s150：
2.根据权利要求1所述的方法，其特征在于，步骤s120中的数据预处理方法包括步骤s210-s230；具体是s210三维医学图像切片、s220二维图像归一化、s230二维图像缩放：
3.根据权利要求1所述的方法，其特征在于，在步骤s130中对基于图的边缘注意力门医学影像分割模型(eagc_iunet)进行构建，采用改进unet3+作为主干网络，包括一个图编码器模块、一个卷积编码器模块和一个解码器部分，具体如下：
4.根据权利要求3所述的方法，其特征在于，在310中涉及到构建余弦加权邻接矩阵、构建节点注释特征和改进残差图卷积模块，其具体计算如下：
5.根据权利要求3所述的方法，其特征在于，在330中的边缘注意力门，具体如下：xl为在第l层输出的特征映射，特征大小为cx×hx×wx，其中，cx为第l层特征映射的通道数，hx×wx为每个特征映射的大小；门控信号u是前一层上采样的特征映射，特征大小为cu×hu×wu；
6.根据权利要求1所述的方法，其特征在于，步骤s140中使用步骤s120中的原始图...
【专利技术属性】
技术研发人员：郝德琛，章永来，强彦，李华玲，安洋，李强，
申请(专利权)人：中北大学，
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。