一种混合结构的医学图像分割系统技术方案

本发明专利技术公开了一种混合结构的医学图像分割系统，通过结合卷积神经网络、高效通道注意力模块和Transformer，以提高分割精度和效率，对医疗图像数据集Synapse进行预处理，然后利用三层卷积神经网络进行浅层特征提取，接着通过高效通道注意力模块增强特征，再将这些高分辨率特征图输入到Transformer中进行深层特征处理，最后通过解码器部分的卷积神经网络进行上采样操作，得到最终的预测分割结果。通过在跳跃连接中加入通道注意力，增强了特征融合能力，从而提高了分割结果的准确性，为医学图像分割领域提供了一种高效的方法。

【技术实现步骤摘要】

本专利技术涉及医学图像分割领域，具体为一种混合结构的医学图像分割系统。

技术介绍

1、医学图像分割技术在医疗影像分析领域扮演着至关重要的角色，它能够将图像中的特定区域(例如肿瘤、器官等)从背景中分离出来。这一技术对于医生进行精确诊断和制定治疗方案至关重要，并且为后续的图像处理工作打下了基础。随着ct、mri、超声等医学影像技术的快速发展，图像的数量和复杂性不断增加，这也推动了对高效自动分割算法的需求。

2、深度学习的进步，尤其是卷积神经网络(cnn)的运用，极大地提升了医学图像分割的准确性和效率。基于深度学习的模型，例如u-net、fcn和transunet，已经在多种医学图像分割任务中显示出了广泛的应用价值。这些模型通过分析大量标注数据来学习特征，实现对目标区域的精确识别和分割。为了提升分割效果，研究者们还开发了多种增强技术和后处理方法。尽管取得了一定的进展，医学图像分割在实际应用中仍面临挑战，比如患者间图像质量的差异、肿瘤的多样性以及不同应用场景下的需求。因此，开发出更高性能和鲁棒性的分割模型成为了医学图像分割研究的一个重点，这对于提高模型本文档来自技高网...

【技术保护点】

1.一种混合结构的医学图像分割系统，其特征在于，包括：

2.根据权利要求1所述混合结构的医学图像分割系统，其特征在于，所述数据处理模块，将训练集中的图像进行预处理，包括：将训练集中的图像尺寸重新调整为224×224像素，并进行数据增强，包括随机翻转、旋转、缩放以及添加高斯噪声。

3.根据权利要求2所述混合结构的医学图像分割系统，其特征在于，所述浅层特征提取模块，包括：将图像输入到模型编码器的卷积神经网络部分，该部分由ResNet-50的三个卷积块组成，卷积块包括卷积操作、激活函数、批量归一化；

4.根据权利要求3所述混合结构的医学图像分割系统，其特征在...

【技术特征摘要】

1.一种混合结构的医学图像分割系统，其特征在于，包括：

2.根据权利要求1所述混合结构的医学图像分割系统，其特征在于，所述数据处理模块，将训练集中的图像进行预处理，包括：将训练集中的图像尺寸重新调整为224×224像素，并进行数据增强，包括随机翻转、旋转、缩放以及添加高斯噪声。

3.根据权利要求2所述混合结构的医学图像分割系统，其特征在于，所述浅层特征提取模块，包括：将图像输入到模型编码器的卷积神经网络部分，该部分由resnet-50的三个卷积块组成，卷积块包括卷积操作、激活函数、批量归一化；

4.根据权利要求3所述混合结构的医学图像分割系统，其特征在于，所述高效通道注意力模块，包括：输入特征首先进入二维卷积块一，将通道数减少到原来的1/16，随后进入一个自适应平均池化层，将输入特征图的空间维度缩减到1x1，接着，使用一维卷积层和sigmoid激活函数生成通道注意力权重，在前向传播过程中，输入特征经过池化、转置、卷积和激活操作后，再与原始输入特征进行逐元素相乘，得到带有注意力机制的输出，最后利用卷积核为1×1二维卷积块2将通道恢复到输入前的通道大小。

5.根据权利要求4所述混合结构的医学图像分割系统，其特征在于，所述深层特征处理模块，包括：在transformer中，...

【专利技术属性】
技术研发人员：唐冬，李林，杨小飞，
申请(专利权)人：广州大学，
类型：发明
国别省市：