一种基于改进的UNet的舌体分割方法技术

本发明专利技术公开了一种基于改进的UNet的舌体分割方法，属于图像分割领域，包括以下步骤：采集病人舌象数据制作用于网络训练的数据集；结合深度空间转化卷积和Swin‑Transformer，提出改进的网络编码器结构SPD‑Swin‑Transformer，通过使用跨尺度特征融合浅层和深层特征，作为跳跃连接的输入；将使用分离与共享卷积及ASPP架构搭建的SSASPP，加入改进的UNet的瓶颈层；基于自适应平均池化和空洞卷积优化的多尺度注意力机制，构建高效自适应多尺度注意力模块；步骤五，将数据集输入改进后的UNet网络中进行训练和评价。本发明专利技术提升了网络模型对多种特征的学习能力和对浅层特征的敏感性，增强了网络的跳跃连接层和瓶颈层对特征的感知能力，增强了网络模型的泛化能力和鲁棒性，从而有效提高了舌体分割精度。

【技术实现步骤摘要】

本专利技术涉及图像分割，尤其涉及一种基于改进的unet的舌体分割方法。

技术介绍

1、在现有技术中，随着基于深度学习的图像处理方法研究的不断深入，传统的分割方法对于数据量小、目标特征变化大的医学图像难以实现快速及准确的处理，已经逐渐将深度学习应用到复杂的医学图像处理任务中。目前主流的图像分割方法主要分为基于阈值的分割、基于边缘的分割、基于区域的分割、基于聚类分析的分割、基于图论的分割及基于深度学习的分割。基于阈值的方法直接利用图像的灰度特性对目标进行分割，对相差很大的不同目标和背景可以进行有效的分割；基于边缘的方法根据目标边缘的像素灰度值变化实现分割，在低噪声干扰，区域之间的性质差别很大的图像中适用；基于区域的方法通过将图像分成若干个区域完成目标的分割，需要图像具有相似的特征，并且在图像内部具有一定的连续性；基于聚类分析的方法是根据特征相似性将图像每个像素分配到其中一组，通常用在较大数据集的图像分割任务；基于图论的方法使用图像中像素之间的相似度来构建一个图，然后使用图论算法将图像分割成多个区域，其对背景重叠及多目标分割有着优异表现，但对图像中的噪声和边缘处本文档来自技高网...

【技术保护点】

1.一种基于改进的UNet的舌体分割方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于改进的UNet的舌体分割方法，其特征在于：步骤一中，在确定设备、光线环境和病人范围后，自采若干例舌象数据，对采集的数据进行筛选，筛选后去除模糊和残缺图像，并对数据进行标注处理和格式转换，得到基于自采数据的自制数据集，后将数据集按照8:2的比例划分为训练集和验证集。

3.根据权利要求2所述的一种基于改进的UNet的舌体分割方法，其特征在于：步骤二中，将深度空间转换卷积作为网络的编码器首层结构，将经典UNet网络编码器的四层卷积网络替换为Swin-Transforme...

【技术特征摘要】

1.一种基于改进的unet的舌体分割方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于改进的unet的舌体分割方法，其特征在于：步骤一中，在确定设备、光线环境和病人范围后，自采若干例舌象数据，对采集的数据进行筛选，筛选后去除模糊和残缺图像，并对数据进行标注处理和格式转换，得到基于自采数据的自制数据集，后将数据集按照8:2的比例划分为训练集和验证集。

3.根据权利要求2所述的一种基于改进的unet的舌体分割方法，其特征在于：步骤二中，将深度空间转换卷积作为网络的编码器首层结构，将经典unet网络编码器的四层卷积网络替换为swin-transformer，利用上述的方式将经典的unet网络编码器替换为所提出的spd-swin-transformer级联结构。

4.根据权利要求3所述的一种基于改进的unet的舌体分割方法，其特征在于：通过将深度空间转换卷积提取的浅层特征信息，使用不同卷积步长的最大池化和不同rate的3×3卷积进行处理，并分别与前三层swin-transformer提取的深层次特征信息通过1×1的普通卷积进行融合，融合后的特征作为后续跳跃连接的输入。

5.根据权利要求4所述的一种基于改进的unet的舌体分割方法，其特征在于：步骤三中，在经典的unet网络结构的瓶颈层中加入一层ssaspp，步骤三包...

【专利技术属性】
技术研发人员：杨琦，张洋，孙思凡，方海亮，
申请(专利权)人：大连医科大学附属第二医院，
类型：发明
国别省市：