【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及医学图像分割方法、装置及介质。
技术介绍
1、在医疗成像领域，尤其是脑肿瘤分割方面，技术的发展已经取得了一定的进步。当前的医学图像分割技术主要依赖于深度卷积神经网络(dcnns)及transformer架构的运用，甚至两者的融合，这些先进模型在提高医疗影像分割精度方面取得了显著成就。
2、然而，由于现有的分割模型专注某一特定任务，虽然能在特定任务中表现出色，但在面对多种复杂的分割任务时，现有分割模型的分割的精确性还是比较低。
技术实现思路
1、本申请提供了医学图像分割方法、装置及存储介质，能够提高医学图像分割的准确性。
2、第一方面，本申请提供一种医学图像分割方法，图像分割模型包括i层下采样网络层、i层上采样网络层和分割头，其中，i为正自然数，下采样网络层均包括第一特征提取增强模块和下采样模块，上采样网络层均包括第二特征提取增强模块和上采样模块，方法包括：
3、将初始特征图输入第1层下采样网络层中的第一特征提取增强模块，得到...
【技术保护点】
1.一种医学图像分割方法，其特征在于，图像分割模型包括i层下采样网络层、i层上采样网络层和分割头，其中，i为正自然数，所述下采样网络层均包括第一特征提取增强模块和下采样模块，所述上采样网络层均包括第二特征提取增强模块和上采样模块，方法包括：
2.根据权利要求1所述的医学图像分割方法，其特征在于，所述第一特征提取增强模块和所述第二特征提取增强模块相同，均包括通道融合器、稀疏注意力计算模块和FFN网络层；
3.根据权利要求2所述的医学图像分割方法，其特征在于，所述通道融合器包括第一卷积层、第一深度卷积层和第二深度卷积层，其中，所述第一深度卷积层和所...
【技术特征摘要】
1.一种医学图像分割方法，其特征在于，图像分割模型包括i层下采样网络层、i层上采样网络层和分割头，其中，i为正自然数，所述下采样网络层均包括第一特征提取增强模块和下采样模块，所述上采样网络层均包括第二特征提取增强模块和上采样模块，方法包括：
2.根据权利要求1所述的医学图像分割方法，其特征在于，所述第一特征提取增强模块和所述第二特征提取增强模块相同，均包括通道融合器、稀疏注意力计算模块和ffn网络层；
3.根据权利要求2所述的医学图像分割方法，其特征在于，所述通道融合器包括第一卷积层、第一深度卷积层和第二深度卷积层，其中，所述第一深度卷积层和所述第二深度卷积层的卷积核大小不同；
4.根据权利要求3所述的医学图像分割方法，其特征在于，所述基于所述融合信息，得到第1层下采样网络层的第一增强特征图，包括：
5.根据权利要求3所述的医学图像分割方法，其特征在于，所述将所述第一空间信息、所述第二空间信息以及所述局部特征进行融合之前，...
【专利技术属性】
技术研发人员：李云灏，梁家铭，严俊铭，庞彦，董长宇，黄腾，张正，
申请(专利权)人：广州大学，
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。