基于3D深度可分离卷积和EAM模块融合的医学图像分割方法技术

本发明专利技术属于图像分割技术领域，具体涉及基于3D深度可分离卷积和EAM模块融合的医学图像分割方法。本发明专利技术方法采用EAM‑3D模块来提取特征信息，通过在深度、宽度和高度三个不同方向上计算注意力权重，增强特征表达能力。相比其他注意力机制，EAM‑3D模块的多方向注意力计算更为全面和有效。其他注意力机制通常只在某一维度上进行特征加权，而EAM‑3D模块在多个方向上进行注意力计算，使得其在处理高分辨率医学3D图像时具有显著优势。本发明专利技术方法通过在解码器的每个阶段生成不同分辨率的特征图，从粗到细、从全局到局部地进行特征图的多尺度信息捕获，最后通过融合不同阶段的特征图，可以更好地整合多层次信息，提高分割的精度和鲁棒性。

【技术实现步骤摘要】

本专利技术属于图像分割，具体涉及基于3d深度可分离卷积和eam模块融合的医学图像分割方法。

技术介绍

1、近年来，深度学习技术在医学图像处理领域取得了显著进展，尤其在医学图像分割方面发挥了重要作用。医学图像分割是医学图像处理中的核心任务之一，它通过将医学图像中的不同组织、器官和病灶区域分割出来，为临床诊断、治疗计划制定、手术导航和疾病监测提供了关键支持。然而，传统的图像分割方法在处理复杂的三维医学图像时，往往面临着分辨率与计算量之间的平衡问题，无法充分提取图像中的细节和结构信息。因此，如何高效地处理和分析三维医学图像，成为了研究人员关注的重点。随着深度学习的快速发展，基于卷积神经网络(cnn)的深度学习模型在图像处理和分析方面展现了卓越的性能。特别是u-net模型及其变种，如3d u-net和v-net，在医学图像分割任务中取得了显著的效果。u-net采用了编码器-解码器结构，通过下采样和上采样操作，使得模型能够捕捉到多尺度的图像特征，从而在保持全局上下文信息的同时，提取出细节丰富的分割结果。然而，尽管这些模型在一定程度上解决了分辨率与计算量之间的平衡问题本文档来自技高网...

【技术保护点】

1.基于3D深度可分离卷积和EAM模块融合的医学图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于3D深度可分离卷积和EAM模块融合的医学图像分割方法，其特征在于，S1中的编码器部分共包含4个阶段，每个阶段包含多层特征提取和自注意力交互机制，捕获不同尺度的特征，增强局部特征表示，既提高了特征提取的效率又增加了模型分割的精度。

3.根据权利要求2所述的基于3D深度可分离卷积和EAM模块融合的医学图像分割方法，其特征在于，3D深度可分离卷积分解为两个步骤，第一步骤首先进行逐通道卷积，对每个输入通道单独进行卷积操作，即每个输入通道对应一个卷积核，输出...

【技术特征摘要】

1.基于3d深度可分离卷积和eam模块融合的医学图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于3d深度可分离卷积和eam模块融合的医学图像分割方法，其特征在于，s1中的编码器部分共包含4个阶段，每个阶段包含多层特征提取和自注意力交互机制，捕获不同尺度的特征，增强局部特征表示，既提高了特征提取的效率又增加了模型分割的精度。

3.根据权利要求2所述的基于3d深度可分离卷积和eam模块融合的医学图像分割方法，其特征在于，3d深度可分离卷积分解为两个步骤，第一步骤首先进行逐通道卷积，对每个输入通道单独进行卷积操作，即每个输入通道对应一个卷积核，输出通道数与输入通道数相同；输入特征图大小与输出特征图大小同传统卷积输入特征图大小，卷积核大小为k×k×k×cin，其计算复杂度为h×w×d×k×k×k×cin；第二步骤进行点卷积，使用1×1×1的3d卷积核，对逐通道卷积的输出进行线性组合，得到最终的输出特征图；其输入特征图大小同传统卷积输入特征图大小，3d卷积核大小为1×1×1×cin×cout，输出特征图大小为h×w×d×cout；点卷积的计算复杂度为h×w×d×cin×cout；

4.根据权利要求3所述的基于3d深度可分离卷积和eam模块融合的医学图像分割方法，其特征在于，s1中的eam-3d模块通过在深度、宽度和高度三个维度上分别计算注意力权重，对不同尺度的特征进行加权处理，增强对重要特征的关注；首先接收3d输入特征图，形状为(b,c,d,h,w)，其中b为批量大小，c为通道数，d,h,w分别为深度、高度和宽度；随后分别对深度维度、高度维度和宽度维度3个方面进行注意力权重的求值；第一步骤处理深度维度，首先对输入特征图在宽度和高度维度上进行均值求取，得到形状为(b,c,d,1,1)的特征图，然后使用深度可分离卷积进行卷积操作，再进行组归一化和sigmoid激活函数，得到深度维度的注意力权重；按照这种方法进行第二步骤处理高度维度和第三步骤处理宽度维度的注意力权重计算，其中高度维度得到的形状为(b,c,d,h,1)，宽度维度得到的形状为(b,c,d,1,w)；最后将在深度、宽度和高度维度上计算得到的注意力权重与输入特征图逐元素相乘，得到加权后的特征图。

5.根据权利要求4所述的基于3d深度可分离卷积和eam模块融合的医学图像分割方法，其特征在于，s1中的编码器共分为4个阶段，每个阶段包括多个深度可分离卷积层、批量归一化层、leakyrelu激活层和eam-3d模块；在网络的初始阶段即第1阶段，输入特征图的分辨率较高，但特征图的通道数较少；此时，特征图中的信息较为原始，为了更好的提取低级特征，如边缘、颜色信息，需要较少的重复操作来提取基本特征，并保证网络计算的效率；选择在第1阶段进行两次卷积操作，以平衡计算复杂度；而随着网络的深入，特征图的分辨率逐渐降低，通道数逐渐增加此时，特征图中包含的信息更加抽象和丰富；为了充分提取这些高级特征，需要进行更多的重复操作来增强特征表示能力；由于特征图的分辨率逐步降低，计算量相对减少，因此，选择在第2、第3和第4阶段进行三次卷积...

【专利技术属性】
技术研发人员：范文凤，宗烜逸，周宇，程实，王则林，周建美，
申请(专利权)人：南通大学，
类型：发明
国别省市：