一种基于动态多尺度感知的半监督息肉分割方法技术

本发明专利技术公开一种基于动态多尺度感知的半监督息肉分割方法，包括如下步骤：步骤1、构建网络模型DMPNet并初始化超参数；2、将待分割医学图像输入网络模型DMPNet，全局分支和局部分支分别提取待分割医学图像的全局信息和局部信息，分别输出全局信息特征图和局部信息特征图；3、多尺度信息融合模块MIF将全局信息特征图和局部信息特征图进行融合，得到融合后特征图；4、动态多尺度感知注意力机制DMPA提取融合后特征图的息肉形状和边界信息；5、CNN解码器和Transformer解码器分别对动态多尺度感知注意力机制DMPA输出的特征图进行解码，利用分割头对CNN解码器和Transformer解码器输出的特征图进行融合，得到分割结果。本发明专利技术能够有效识别不同尺寸息肉并精确描绘各种形状息肉的边界。

【技术实现步骤摘要】

本专利技术属于图像处理，具体是一种基于动态多尺度感知的半监督息肉分割方法。

技术介绍

1、目前，结肠癌已经成为全球范围内致死率排名第二的癌症，其致死人数约为全球癌症死亡人数的9.4％，大多数结肠癌病例是由息肉引发，因此在早期检查中及时发现并切除肠道息肉对预防结肠癌具有十分重要的意义，但是息肉的检测通常需要消耗医生大量时间和精力，并且检测结果容易受到医生主观判断的影响，因此，研究精确的息肉分割方法具有十分重要的临床应用价值。

2、随着深度学习技术的发展，学者们已经提出许多基于深度学习的息肉分割方法，然而，由于肠镜图像中不同息肉的尺寸和形状之间差异较大，且息肉与周围肠道粘膜组织的对比度较低，导致网络对小尺寸息肉造成误检甚至漏检以及在息肉边界处分割效果较差，不能精确分割出息肉目标，此外，由于需要保护病人隐私以及数据标注工作通常需要消耗有经验医生大量时间和精力，导致难以获取大量带标注数据用于网络训练，因此，在标注数据有限或者未标注数据的场景下，提升深度学习模型的特征表达能力至关重要。

3、目前，已出现的半监督医学图像分割方法通常利用有限的标本文档来自技高网...

【技术保护点】

1.一种基于动态多尺度感知的半监督息肉分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于动态多尺度感知的半监督息肉分割方法，其特征在于，所述步骤1中初始化超参数的过程为：将训练批量大小设为8，训练迭代次数设置为6000，将初始学习率设为0.001。

3.根据权利要求1所述的基于动态多尺度感知的半监督息肉分割方法，其特征在于，所述步骤2中全局分支提取待分割医学图像的全局信息的过程为：通过Patch Partition操作将大小为H×W×3的待分割医学图像划分为H/4×W/4×C大小的若干个Patch，线性嵌入层将Patch映射到特征空间并输入Glob...

【技术特征摘要】

1.一种基于动态多尺度感知的半监督息肉分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于动态多尺度感知的半监督息肉分割方法，其特征在于，所述步骤1中初始化超参数的过程为：将训练批量大小设为8，训练迭代次数设置为6000，将初始学习率设为0.001。

3.根据权利要求1所述的基于动态多尺度感知的半监督息肉分割方法，其特征在于，所述步骤2中全局分支提取待分割医学图像的全局信息的过程为：通过patch partition操作将大小为h×w×3的待分割医学图像划分为h/4×w/4×c大小的若干个patch，线性嵌入层将patch映射到特征空间并输入global block，global block对patch进行特征提取，并将提取的特征传输到多尺度信息融合模块mif和下一个global block，且提取的特征传输到下一个global block前，被patch merging进行下采样。

4.根据权利要求3所述的基于动态多尺度感知的半监督息肉分割方法，其特征在于，所述global block对patch进行特征提取的过程为：先使用layer norm对映射到特征空间的patch进行归一化处理并将其送入wmsa，经过具有gelu激活函数的线性层，通过残差连接补充特征提取中损失的信息，表示为：

5.根据权利要求4所述的基于动态多尺度感知的半监督息肉分割方法，其特征在于，所述步骤2中局部分支提取待分割医学图像的局部信息的过...

【专利技术属性】
技术研发人员：杜晓刚，吴英豪，雷涛，王营博，王鸫，陈佳隆，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：