【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及医学图像分割方法、装置、设备及计算机可读存储介质。
技术介绍
1、医学图像分割在医学影像诊断和治疗中起着至关重要的作用，其主要目标是将图像中的特定组织或器官从背景中分离出来。这一过程在医学图像定量分析中具有重要意义，因为它能够有效地提取目标区域的形状和空间信息，通过机器视觉逐个像素地自动识别医学图像中的目标区域。
2、目前，深度学习已逐渐应用到医学图像分割领域。与传统的机器学习方法相比，深度学习在处理大规模数据和复杂任务时表现更加出色。深度学习减少了人为干预，具备学习更抽象和高维特征的能力，展现出卓越的特征学习潜力。在深度学习模型中，状态空间模型(state space model，ssm)在医学图像分割中展现出潜在的巨大优势，ssm不仅在建模长程相互依赖方面表现出卓越的性能，而且保持了线性计算和存储的复杂性。但是，目前的基于ssm的医学图像分割方法，如vm-unet，没有在跳跃连接部分混合多尺度的特征，导致医学图像分割的准确性不高。
技术实现思路
<...【技术保护点】
1.一种医学图像分割方法，其特征在于，所述医学图像分割方法包括如下步骤：
2.如权利要求1所述的医学图像分割方法，其特征在于，所述张量重建处理包括：
3.如权利要求2所述的医学图像分割方法，其特征在于，所述张量重建处理还包括：
4.如权利要求3所述的医学图像分割方法，其特征在于，所述对所述输入张量进行频域特征提取，得到频域张量包括：
5.如权利要求1所述的医学图像分割方法，其特征在于，所述注意力多尺度特征融合模块包括注意力桥和多尺度特征融合模块，所述通过所述注意力多尺度特征融合模块对所述多尺度特征图像进行特征融合处理，得...
【技术特征摘要】
1.一种医学图像分割方法，其特征在于，所述医学图像分割方法包括如下步骤：
2.如权利要求1所述的医学图像分割方法，其特征在于，所述张量重建处理包括：
3.如权利要求2所述的医学图像分割方法，其特征在于，所述张量重建处理还包括：
4.如权利要求3所述的医学图像分割方法，其特征在于，所述对所述输入张量进行频域特征提取，得到频域张量包括：
5.如权利要求1所述的医学图像分割方法，其特征在于，所述注意力多尺度特征融合模块包括注意力桥和多尺度特征融合模块，所述通过所述注意力多尺度特征融合模块对所述多尺度特征图像进行特征融合处理，得到融合特征图像包括：
6.如权利要求5所述的医学图像分割方法，其特征在于，所述根据所述通道注意...
【专利技术属性】
技术研发人员：温阳，沈舜喆，曹文明，石武祯，庄宇航，王继祥，
申请(专利权)人：深圳大学，
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。