System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学图像分割,特别涉及一种能准确进行医学图像分割的方法。
技术介绍
1、准确而稳健的医学图像分割在计算机辅助诊断系统中是不可或缺的组成部分,特别是在图像引导的临床手术、疾病诊断、治疗规划和临床量化等方面。医学图像分割通常被认为与自然图像分割基本相同,其相应的技术通常从后者派生。这两个领域的共同之处在于它们都以手动或自动的方式提取图像的准确感兴趣区域(rois)作为研究目标。借助深度学习技术,自然图像视觉中的分割任务取得了引人瞩目的性能。但与自然图像分割不同,医学图像分割要求更准确的roi分割结果,例如器官、病变和异常,以快速识别roi边界并准确评估roi的级别。这是因为在医学图像中细微的分割错误可能降低用户体验,并增加随后的计算机辅助诊断的风险。此外,在各种成像模态中手动勾画roi及其边界需要大量精力,非常耗时甚至是不切实际的,而最终的分割结果可能受到临床医生的偏好和专业知识的影响。因此,我们认为开发智能而稳健的技术来高效而准确地分割医学图像中的器官、病变和异常区域是至关重要的。
2、随着深度学习的发展以及广泛而有前途的应用,许多依赖于卷积操作的医学图像分割方法已被提出,用于分割医学图像中的特定目标对象。在这些方法中,u形编码器-解码器架构(如u-net和全卷积网络(fcn))等u形架构已经在医学图像分割中占据主导地位。随后的各种变体,例如u-net++、u-net3+、attentionu-net,以及3du-net、v-net,也已经被开发用于不同成像模态的2d和3d医学图像分割,并在多器官分割、皮
3、受到将transformer成功应用于自然语言处理(nlp)的启发,许多研究尝试将transformer引入视觉领域。这些工作在各种视觉任务上取得了一致的改进,表明视觉transformer在视觉领域具有巨大的潜力。然而,普通的transformer通常受到高计算成本和大内存占用的困扰,在长序列场景中存在模型效率问题。最常用的改进方法是引入稀疏偏置到普通的注意力机制中,即采用稀疏注意力而不是全局注意力以降低计算复杂性。全局注意力需要在所有空间位置计算成对的令牌相似性,而稀疏注意力允许每个查询令牌仅关注少量的键值令牌,而不是整个序列。为此,根据特定预定义的模式,一些手工制作的静态稀疏注意力方法被提出,例如局部注意力,扩张注意力,轴向注意力或可变形注意力。在医学图像视觉领域中,许多研究也考虑将transformer引入医学图像分割任务,如nnformer、utnet、transunet、transception、hiformer、focal-unet和missformer。然而,据我们所知,只有少数几项研究考虑将稀疏性思想引入该领域,其中代表性的作品包括swin-unet、gatedaxialunet(medt)。但这些稀疏注意力机制以手工制定的方式合并或选择稀疏模式。因此,这些选择的模式是查询无关的,即适用于所有查询。将动态且与查询相关的稀疏注意力机制应用于医学图像分割仍然未被深入探讨。
技术实现思路
1、针对现有技术存在的上述问题,本专利技术要解决的技术问题是:如何进行准确的医学图像分割。
2、为解决上述技术问题,本专利技术采用如下技术方案:一种能准确进行医学图像分割的方法,包括如下步骤:
3、s1:获取公开数据集和公开数据集中每张图片对应的标签。
4、s2:构建和训练u形混合cnn-transformer网络,所述u形混合cnn-transformer网络包括七个阶段,依次包括编码器、bottlennek和解码器,以及跳跃连接通道-空间注意力sccsa模块。
5、所述编码器和解码器均采用三阶段金字塔结构进行分层构建;编码器包括第一阶段到第三阶段,bottlennek为第四阶段,解码器包括第五到第七阶段。
6、sccsa模块包括一个通道注意子模块和一个空间注意子模块。首先通过连接来自编码器和解码器的输出,得到然后,通道注意子模块使用mlp增强跨维度通道-空间依赖性;在空间注意子模块中,使用卷积层聚焦空间信息。
7、输入编码器的每张图片为h*w*3的三通道图片,经过第一阶段后得到的特征图分辨率为经过第二阶段后特征图分辨率为经过第三阶段后特征图分辨率为编码器第三阶段输出的特征图经过bottlennek处理后的特征图分辨率为分辨率为的特征图进入第五阶段的补丁扩展层,特征图分辨率变为后,将此特征图与第三阶段得到的特征图经过sccsa模块处理得到的特征图进入第六阶段,第六阶段的补丁扩展层处理后得到分辨率为的特征图,将此特征图与第二阶段得到的特征图经过sccsa模块处理得到的特征图进入第七阶段,第七阶段的补丁扩展层处理后得到分辨率为的特征图,将此特征图与第一阶段得到的特征图经过sccsa模块处理得到的特征图经过上采样为4倍的补丁扩展层,得到h*w*c的特征图,再经过线性映射层,最后输出h*w*class的最终特征图,class表示通道数,每个通道的值表示u形混合cnn-transformer网络对像素点属于相应类别的置信度或概率,对一个像素点,它在哪个通道的置信度或概率最大,那么它就属于哪个类别,将最终特征图中每个像素点的所属类别都判定后得到分割后的图片。
8、使用公开数据集对cnn-transformer网络进行训练,当cnn-transformer网络的损失不再变化时,则认为得到训练好的cnn-transformer网络。
9、s3:将新医学图片输入训练好的cnn-transformer网络,输出即为新医学图片分割后的图片。
10、作为优选,所述编码器和解码器均采用三阶段金字塔结构进行分层构建,其中编码器第一阶段包括补丁嵌入层和biformer块,第二到第三阶段由补丁合并层和biformer块组成,解码器第一阶段到第三阶段包括补丁扩展层和biformer块。
11、补丁嵌入层采用两个3×3卷积层,将每个区域的特征维度转换为任意维度即通道,表示为c。
12、作为优选,所述bottlennek由补丁合并层和biformer块组成,对编码器的输出降低分辨率和提高通道数。
13、作为优选,所述sccsa模块的具体步骤包括:输入特征图中间状态f1,f2,f3和输出x3表示为:
14、f1=concat(x1,x2), (8)
15、
16、
17、x3=fc(f3). (11)
18、其中,f2和f3分别是通道注意子模块和空间注意子模块的输出本文档来自技高网...
【技术保护点】
1.一种能准确进行医学图像分割的方法,其特征在于,包括如下步骤:
2.如权利要求1所述的能准确进行医学图像分割的方法,其特征在于:所述编码器和解码器均采用三阶段金字塔结构进行分层构建,其中编码器第一阶段包括补丁嵌入层和BiFormer块,第二到第三阶段由补丁合并层和BiFormer块组成,解码器第一阶段到第三阶段包括补丁扩展层和BiFormer块;
3.如权利要求2所述的能准确进行医学图像分割的方法,其特征在于:所述Bottlennek由补丁合并层和BiFormer块组成,对编码器的输出降低分辨率和提高通道数。
4.如权利要求3所述的能准确进行医学图像分割的方法,其特征在于:所述SCCSA模块的具体步骤包括:输入特征图x1,中间状态F1,F2,F3和输出x3表示为:
5.如权利要求3所述的能准确进行医学图像分割的方法,其特征在于:训练U形混合CNN-Transformer网络使用的损失函数为:
【技术特征摘要】
1.一种能准确进行医学图像分割的方法,其特征在于,包括如下步骤:
2.如权利要求1所述的能准确进行医学图像分割的方法,其特征在于:所述编码器和解码器均采用三阶段金字塔结构进行分层构建,其中编码器第一阶段包括补丁嵌入层和biformer块,第二到第三阶段由补丁合并层和biformer块组成,解码器第一阶段到第三阶段包括补丁扩展层和biformer块;
3.如权利要求2所述的能准确进行医学图像分割的方法...
【专利技术属性】
技术研发人员:兰利彬,夏遵辉,冯欣,谭暑秋,蔡鹏洲,
申请(专利权)人:重庆理工大学,
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。