本发明专利技术提供一种基于小波双注意力的轻量级3D医学图像分割方法，包括：获取三维医学图像数据集；对三维医学图像数据集进行预处理，得到训练集；利用小波压缩和双注意力机制构建三维医学图像的分割算法模型；基于训练集对分割算法模型进行训练，得到训练结果和经过训练的分割算法模型；判断训练是否达到预期效果；若训练效果符合预期，将训练好的三维医学图像的分割算法模型部署在医学图像处理平台以实现对待分割的医学图像进行分割处理。本发明专利技术用于解决人工分割效率低，自动分割算法精度不足，处理速度缓慢，模型庞大以及分割准确率低等问题，以更小的模型大小实现了更高分割准确度，使其能在计算资源受限的医疗环境中得以应用。
【技术实现步骤摘要】
本专利技术涉及ai图像分割，具体涉及一种基于小波双注意力的轻量级3d医学图像分割方法。
技术介绍
1、在医学图像分析领域，精确地对三维医学图像中的目标器官和病灶进行分割对于疾病的准确诊断和有效治疗规划至关重要。然而，面对三维医学图像的高度复杂性和信息量巨大的特点，传统的图像分割方法存在一系列挑战，主要表现在人工效率低、自动分割算法精度不足、处理速度缓慢以及模型大小庞大等方面。
2、传统的手工分割方法通常需要医学专业人员进行大量的手动标注和勾画工作，耗费大量时间和精力。此外，自动分割算法的精度存在限制，特别是在处理复杂结构和三维医学图像时，往往难以取得令人满意的结果。处理速度慢是由于三维医学图像的数据量庞大，传统算法在处理时需要耗费大量计算资源，导致分割过程时间较长。而且，一些现有的模型由于参数众多，导致模型的存储空间较大，限制了其在实际应用中的灵活性
技术实现思路
。
技术实现思路
1、为了解决现有三维图像分割方案中存在的问题，本专利技术的目的在于提供一种基于基于小波双注意力的轻量级3d医学图像分割方法，该方法可以解决人工对医学图像进行分割中存在的工作效率低，基于注意力机制的分割算法难以很好权衡分割精度和计算复杂度，以及当前低参数量模型分割算法的分割准确率低等问题，其具有分割效率高，模型不会大量占用硬件资源，分割精度高等特点。
2、本专利技术通过以下技术方案来实现上述目的：
3、一种基于小波双注意力的轻量级3d医学图像分割方法，该方法包括以下步骤：</p>4、获取三维医学图像，得到带有分割注释和标注的三维医学图像数据集；
5、对获取到的三维医学图像数据集进行预处理，得到训练集；
6、利用小波压缩和双注意力机制构建三维医学图像的分割算法模型；
7、基于训练集对所述分割算法模型进行训练，得到训练结果和经过训练的分割算法模型；
8、判断训练是否达到预期效果，确保训练后的算法模型具有预期的分割性能；
9、若训练效果符合预期，将训练好的三维医学图像的分割算法模型部署在医学图像处理平台以实现对待分割的医学图像进行分割处理。
10、根据本专利技术提供的一种基于小波双注意力的轻量级3d医学图像分割方法，对获取到的三维医学图像数据集进行预处理，包括：
11、遍历获取到的三维医学图像数据集中所有图像的目标器官或者目标病变区域，对收集到的三维医学图像的目标器官区域或者目标病变区域进行标注和注记，并将标注结果与原图像按照统一命名方式进行存储，形成数据集0；
12、将所述数据集0中的所有符合要求的三维医学图像进行预处理操作，得到训练集，该训练集为模型训练提供数据。
13、根据本专利技术提供的一种基于小波双注意力的轻量级3d医学图像分割方法，对所述数据集0进行预处理操作，包括：
14、对数据集0中的每个符合要求的三维医学图像，执行窗宽窗位截断操作，以突出感兴趣的密度范围；
15、对经过截断的图像进行重采样，以统一图像的空间分辨率；
16、对重采样后的图像进行归一化，将像素值映射到一个标准范围内；
17、将预处理后的三维医学图像数据集进行数据筛选、打乱、随机镜像，并保存为目标格式文件，即可得到训练集。
18、根据本专利技术提供的一种基于小波双注意力的轻量级3d医学图像分割方法，所述利用小波压缩和双注意力机制构建三维医学图像的分割算法模型的架构包括：模型结构采用层次化的编码器和解码器结构，模型网络采用u型架构；
19、其中，编码器包括四个编码阶段，每个编码阶段在不同特征分辨率下通过由三维离散小波变换层和双注意力机制组成的特征提取模块进行建模；
20、其中，解码器包括四个解码阶段，每个解码阶段通过一个三维离散小波变换层和双注意力机制组成的特征提取模块和一个转置卷积的上采样层，将特征图的分辨率提高2倍，并与对应的编码阶段相连；最后一个解码器的输出与卷积特征图相融合，最终输出被送入包含核大小为3×3×3和1×1×1的卷积解码块，生成最终的分割结果。
21、根据本专利技术提供的一种基于小波双注意力的轻量级3d医学图像分割方法，用于构建基于小波压缩和双注意力机制的分割模型中的三维离散小波变换层包括：
22、在三维小波层前，输入三维特征经过线性变换，然后通过3d-dwt层进行离散小波变换；
23、通过一级三维离散小波变换分解，特征图被压缩成八个子带，包括近似分量和七个细节成分；
24、在通道维度上拼接这八个子带，得到压缩后的特征图，表示为公式(1)、(2)：
25、
26、
27、其中，xαβγ为子频带分量，wαβγ为小波滤波器。
28、根据本专利技术提供的一种基于小波双注意力的轻量级3d医学图像分割方法，子频带分量xαβγ是通过对输入特征图x′和小波滤波器wαβγ进行卷积操作来计算的；每个滤波器wαβγ是通过在三个维度上进行滤波器的张量积构建而成，其中α,β,γ∈{l,h}；
29、其中，小波变换为harr小波变换，然后将这八个小波子带沿着通道维度串联在一起，得到了压缩特征图
30、根据本专利技术提供的一种基于小波双注意力的轻量级3d医学图像分割方法，所述用于构建基于小波压缩和双注意力机制的分割模型中的双注意力机制包括：
31、双注意力机制计算公式表示为(4)(5)，其融合操作表示为(6)：
32、
33、
34、
35、其中，qs和qc分别表示空间注意力和通道注意力的查询矩阵；ks和kc分别表示空间注意力和通道注意力的关键矩阵；vs和vc分别表示空间注意力和通道注意力的值矩阵；缩放因子d是每个注意力头可动态学习的参数用于动态调整注意力，,fidwt是反小波变换结果。
36、根据本专利技术提供的一种基于小波双注意力的轻量级3d医学图像分割方法，构建小波压缩双注意力模块包括：
37、三维离散小波变换层以及双注意力机制，首先输入经过三维离散小波变换层无损减少输入特征图大小，为后续计算双注意力减少计算量，用于实现减少参数量和模型复杂性；
38、接着将输入特征和其压缩结果嵌入到1d序列中，用于计算通道注意力和空间注意力；其中，通道注意力和空间注意力通过softmax操作得到；
39、最后，通过反小波变换层还原原始的空间信息和细节，包含卷积块和反卷积，与注意力特征融合，得到小波压缩双注意力模块的最终输出。
40、根据本专利技术提供的一种基于小波双注意力的轻量级3d医学图像分割方法，所述基于训练集对所述分割算法模型进行训练中，还执行用于优化模型并确保对细节和整体类别的良好响应，其包括：
41、采用结合dice损失和交叉熵损失的方式使用训练集对构建的分割算法模型进行训练，其中，dice损失用于保证模型捕获对象的形状和位置，交叉熵损失用于确本文档来自技高网
...
【技术保护点】
1.一种基于小波双注意力的轻量级3D医学图像分割方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，对获取到的三维医学图像数据集进行预处理，包括：
3.根据权利要求2所述的方法，其特征在于，对所述数据集0进行预处理操作，包括：
4.根据权利要求3所述的方法，其特征在于，所述利用小波压缩和双注意力机制构建三维医学图像的分割算法模型的架构，包括：
5.根据权利要求4所述的方法，其特征在于，用于构建基于小波压缩和双注意力机制的分割模型中的三维离散小波变换层包括：
6.根据权利要求5所述的方法，其特征在于：
7.根据权利要求6所述的方法，其特征在于，所述用于构建基于小波压缩和双注意力机制的分割模型中的双注意力机制包括：
8.根据权利要求7所述的方法，其特征在于，构建小波压缩双注意力模块包括：
9.根据权利要求1至8任一项所述的方法，其特征在于，所述基于训练集对所述分割算法模型进行训练中，还执行用于优化模型并确保对细节和整体类别的良好响应，其包括：
10.根据权利要求1至8任一项所述的方法，其特征在于，所述判断训练结果是否达到预期效果，包括：
...
【技术特征摘要】
1.一种基于小波双注意力的轻量级3d医学图像分割方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，对获取到的三维医学图像数据集进行预处理，包括：
3.根据权利要求2所述的方法，其特征在于，对所述数据集0进行预处理操作，包括：
4.根据权利要求3所述的方法，其特征在于，所述利用小波压缩和双注意力机制构建三维医学图像的分割算法模型的架构，包括：
5.根据权利要求4所述的方法，其特征在于，用于构建基于小波压缩和双注意力机制的分割模型中的三维离散小波变换层包括：
【专利技术属性】
技术研发人员：刘少军，钟天兆，
申请(专利权)人：深圳技术大学，
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。