一种基于双分支特征融合的级联医学图像分割方法技术

本发明专利技术属于医学图像分割技术领域，具体为一种基于双分支特征融合的级联医学图像分割方法，用以在减少网络参数的情况下提高医学图像的特征利用率，从而提高医学图像的分割质量。本发明专利技术构建双分支特征融合的级联医学图像分割网络，主要包括双分支特征编码器、特征交互融合模块(EA‑CBAIM)及解码器，双分支特征编码器中CNN分支与VSSD分支分别获取多分辨率特征，并由EA‑CBAIM特征交互融合模块实现重要特征增强，最后通过解码器捕捉和组合多个尺度的特征信息，逐步精细化结果，提高分割质量。综上，本发明专利技术能够有效提取医学图像中的病理特征，实现对病灶的自动分割，提升医学图像分割模型的泛化能力。

【技术实现步骤摘要】

本专利技术属于医学图像分割，具体为一种基于双分支特征融合的级联医学图像分割方法。

技术介绍

1、医学图像是为了研究人体及其部分器官内部结构、功能或病理状态的成像结果，能为医生提供病灶区域及人体器官等信息，从而支持诊断、治疗等临床决策；但在医学图像分析过程中，医生需要花费大量时间和精力来找寻病灶区域，容易受到主观因素的影响，并且难免会出现漏标的情况；因此，实现医学图像的客观有效的自动分割是十分有必要的。

2、深度学习因其强大的学习能力被引入医学图像分割领域，目前，u-net网络及其变体被广泛应用于医学图像分割领域，它基于编码器和解码器结构，并且使用跳跃连接来增加不同尺度之间的信息交换，以简单的方式实现了医学图像的有效分割；然而，u-net是纯cnn结构，由于cnn更关注纹理等特征，难以捕获全局上下文信息；针对该问题，transformer被引入医学图像分割，以其强大的捕获全局上下文的能力，得到了众多学者的青睐，但由于其二次复杂度，并且在图像局部性和平移不变性存在困难，会影响医学图像的分割任务；另外，部分解码器集成局部卷积注意力机制，以精细化编码器本文档来自技高网...

【技术保护点】

1.一种基于双分支特征融合的级联医学图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于双分支特征融合的级联医学图像分割方法，其特征在于，数据预处理过程为：将医学图像数据集中原始图像裁剪为预设模型输入尺寸，将裁剪后原始图像转换为张量类型并归一化处理，作为输入图像；将医学图像数据集中标签图像裁剪为相同尺寸，将裁剪后标签图像转换为张量类型，与输入图像共同构成训练样本。

3.根据权利要求1所述基于双分支特征融合的级联医学图像分割方法，其特征在于，所述CNN分支包括：依次连接的初始特征提取模块与第一Bottleneck模块、第二Bottleneck模块、第...

【技术特征摘要】

1.一种基于双分支特征融合的级联医学图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于双分支特征融合的级联医学图像分割方法，其特征在于，数据预处理过程为：将医学图像数据集中原始图像裁剪为预设模型输入尺寸，将裁剪后原始图像转换为张量类型并归一化处理，作为输入图像；将医学图像数据集中标签图像裁剪为相同尺寸，将裁剪后标签图像转换为张量类型，与输入图像共同构成训练样本。

3.根据权利要求1所述基于双分支特征融合的级联医学图像分割方法，其特征在于，所述cnn分支包括：依次连接的初始特征提取模块与第一bottleneck模块、第二bottleneck模块、第三bottleneck模块、第四bottleneck模块；输入图像x经过初始特征提取模块得到特征图第一至第四bottleneck模块作为卷积神经网络编码层，依次由3个、4个、6个、3个bottleneck单元堆叠构成；第一至第四bottleneck模块依次生成特征图i＝1,2,3,4。

4.根据权利要求3所述基于双分支特征融合的级联医学图像分割方法，其特征在于，bottleneck单元包括：依次连接的三个卷积层，其中，第一个卷积层与第二卷积层后依次设置bn层与relu激活函数层，第三个卷积层后设置bn层；bottleneck的输入表示为输入依次经过三个卷积层后得到特征图特征图与输入进行残差连接，得到bottleneck的输出

5.根据权利要求1所述基于双分支特征融合的级联医学图像分割方法，其特征在于，所述vssd分支包括：依次连接的patch embedding层与第一vssd模块、第二vssd模块、第三vssd模块、msa模块；输入图像x经过patch embedding层，划分第一vssd模块的输入第一至第三vssd模块依次由2个、4个、8个vssd单元堆叠构成，msa模块由4个msa单元堆...

【专利技术属性】
技术研发人员：周柳江，罗佳英，田野，范崇锋，刘骏驰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：