一种基于多分支注意力网络对医学图像进行分割的方法技术

本发明专利技术提供一种基于多分支注意力网络对医学图像进行分割的方法。该方法包括：获取医学图像数据集；将预处理后的数据集分为训练集和测试集；搭建多分支注意力网络模型；该模型包括编码器部分、Feature Fusion Bridge和解码器部分；每层编码器由串联的N个组合单元和一个Coordinate Attention组成；每层解码器均由依次串联的两个Efficient Transformer Block和一个Patch Expanding组成；将训练集输入模型训练；将测试集输入训练好的模型，得到分割结果。本发明专利技术分割方法增强全局与局部特征融合，有效降低计算复杂度，增强模型的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及医学图像分割的，具体而言，涉及一种基于多分支注意力网络对医学图像进行分割的方法。

技术介绍

1、医学图像分割是医学影像分析中的一项关键任务，它在辅助诊断、手术导航以及放射治疗等领域发挥着重要作用。传统的医学图像分割方法主要依赖于基于阈值、区域生长或边缘检测的经典图像处理技术。这些方法通常需要专家的深度参与，难以适应不同类型的医学图像和复杂的病理特征，且对噪声和变形的鲁棒性较差。

2、随着深度学习技术的快速发展，卷积神经网络(简称cnn)成为医学图像分割的主流方法之一。u-net是一种典型的cnn架构，采用编码器-解码器结构，通过跳跃连接(skipconnections)使编码器和解码器相连，取得了良好的分割效果。然而，cnn架构受限于局部感受野，难以有效地捕获长距离依赖关系，从而导致在复杂场景下的分割精度下降。

3、为了解决cnn架构缺陷所带来的上述问题，近年来，基于transformer的模型逐渐在医学图像分割中崭露头角。vision transformer(简称vit)等模型通过自注意力机制捕获图像的全局信息，弥补本文档来自技高网...

【技术保护点】

1.一种基于多分支注意力网络对医学图像进行分割的方法，其特征在于，包括：

2.根据权利要求1所述的基于多分支注意力网络对医学图像进行分割的方法，其特征在于，每个VFT Block包括：一个Laynorm层、一个Maxpool Global Branch、一个AvgpoolGlobal Branch、和一个Local Branch；

3.根据权利要求1所述的基于多分支注意力网络对医学图像进行分割的方法，其特征在于，所述ConvFNN，用于融合由所述VFT Block提取的多样化特征,并在需要的时候进行下采样，同过调整卷积步长进行下采样操作；>

4.根据权利...

【技术特征摘要】

1.一种基于多分支注意力网络对医学图像进行分割的方法，其特征在于，包括：

2.根据权利要求1所述的基于多分支注意力网络对医学图像进行分割的方法，其特征在于，每个vft block包括：一个laynorm层、一个maxpool global branch、一个avgpoolglobal branch、和一个local branch；

3.根据权利要求1所述的基于多分支注意力网络对医学图像进行分割的方法，其特征在于，所述convfnn，用于融合由所述vft block提取的多样化特征,并在需要的时候进行下采样，同过调整卷积步长进行下采样操作；

4.根据权利要求1所述的基于多分支注意力网络对医学图像进行分割的方法，其特征在于，所述coordinate attention，用于对输入特征的位置信息进行提取；以及

5.根据权利要求1所述的基于多分支注意力网络对医学图...

【专利技术属性】
技术研发人员：刘学平，卢玉凯，丁丝露，白石，于泽龙，龚添翼，王鹤潼，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：