医学图像分割模型训练方法、医学图像分割方法及设备技术

本发明专利技术公开了一种医学图像分割模型训练方法、医学图像分割方法及设备，包括：通过获取训练样本图像；并将训练样本图像输入到初始医学图像分割模型，其中，初始医学图像分割模型采用MSCMNet模型，包括编码器、解码器和MSCM模块，MSCM模块用于特征提取，包括位置编码模块、局部特征提取模块、多尺度卷积调制模块以及特征映射模块组成，编码器还包括InputStem模块，解码器还包括跳跃连接层和OutputStem模块；进而采用训练样本图像对初始医学图像分割模型进行训练，得到目标医学图像分割模型。采用本发明专利技术以较少的参数量和运算量实现了高效的特征提取，提高了医学图像分割的效率。

【技术实现步骤摘要】

本专利技术涉及图像处理领域，尤其涉及一种医学图像分割模型训练方法、医学图像分割方法及设备。

技术介绍

1、随着深度学习技术的不断发展和创新，其在智慧医疗领域的应用前景越来越广阔，医学图像分割是智慧医疗领域的重要组成部分，为医疗诊断、治疗和研究提供了关键的信息和支持，如精确的病灶定位和分割、自动化的病变检测和诊断、量化的疾病评估和监测、智能影像导航和手术辅助等，具有重要的临床应用价值。医学图像通常具有复杂的结构和高度的噪声干扰，分割任务旨在从这些复杂的医学影像中，自动地分离出感兴趣的组织、病变或解剖结构，并将它们从背景中分离出来，在许多医学领域都有广泛的应用。然而，由于医学影像本身的特点，如低对比度、噪声、图像复杂性等，医学图像分割依然面临许多挑战。因此，开发准确、高效、鲁棒的医学图像分割算法，对于提高医学图像处理的准确性和效率具有重要的意义。

2、医学图像自动分割技术对于智慧医疗系统的蓬勃发展具有无可替代的关键性作用，当前，越来越多的医学图像分割模型都采用transformer作为基础结构，然而，基于transformer的模型也存在一些明显的本文档来自技高网...

【技术保护点】

1.一种医学图像分割模型训练方法，其特征在于，包括：

2.如权利要求1所述的医学图像分割模型训练方法，其特征在于，所述采用所述训练样本图像对所述初始医学图像分割模型进行训练，得到目标医学图像分割模型包括采用所述MSCM特征提取模块进行特征提取；

3.如权利要求1所述的医学图像分割模型训练方法，其特征在于，所述InputStem模块由a×a的卷积堆叠而成，所述采用所述训练样本图像对所述初始医学图像分割模型进行训练，得到目标医学图像分割模型包括采用patch组合方式进行下采样，所述用patch组合方式进行下采样包括：基于组内patch信息融合和组间通道信息交互进行下采...

【技术特征摘要】

1.一种医学图像分割模型训练方法，其特征在于，包括：

2.如权利要求1所述的医学图像分割模型训练方法，其特征在于，所述采用所述训练样本图像对所述初始医学图像分割模型进行训练，得到目标医学图像分割模型包括采用所述mscm特征提取模块进行特征提取；

3.如权利要求1所述的医学图像分割模型训练方法，其特征在于，所述inputstem模块由a×a的卷积堆叠而成，所述采用所述训练样本图像对所述初始医学图像分割模型进行训练，得到目标医学图像分割模型包括采用patch组合方式进行下采样，所述用patch组合方式进行下采样包括：基于组内patch信息融合和组间通道信息交互进行下采样。

4.如权利要求3所述的医学图像分割模型训练方法，其特征在于，所述基于组内patch信息融合和组间通道信息交互进行下采样包括：

5.如权利要求1所述的医学图像分割模型训练方...

【专利技术属性】
技术研发人员：周新民，熊智谋，史长发，朱桂菊，薛润梁，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：