【技术实现步骤摘要】
本专利技术涉及图像分割，具体涉及一种基于轻量级编码-解码器的医学图像分割方法。
技术介绍
1、随着深度学习技术在医学图像分析中的广泛应用，基于深度学习的医学图像分割模型已成为许多临床诊断和治疗方案的核心工具。然而，在资源受限的设备上部署这些深度学习模型，尤其是在移动设备、嵌入式系统和边缘计算设备等硬件环境中，依然面临着诸多挑战。这些设备通常存在计算能力、内存和存储空间等方面的限制，因此需要设计具有较少参数和低浮点运算量的高效模型，以保证实时性和精确性。当前的解决方案通常依赖于轻量级的卷积神经网络(cnn)架构。这些架构通过减少参数量和运算复杂度，在保证较高精度的同时，降低了模型的计算需求，满足资源受限环境的需求。然而，传统的cnn层，特别是卷积和池化操作，通常具有较强的空间归纳偏差，使得它们在捕获全局上下文信息方面存在固有的局限性。尽管卷积神经网络能够有效地提取局部特征，但当面临大范围复杂结构或病变区域时，传统cnn方法可能无法充分理解图像的全局上下文，导致分割精度的降低。因此，在资源受限设备上进行医学图像分割时，如何在保持模型轻量化的同时，提升其捕捉全局上下文信息的能力，成为当前研究中的一个重大挑战。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于轻量级编码-解码器的医学图像分割方法，用于解决低资源设备上运行医学图像分割任务的挑战。
2、本专利技术的目的是通过以下技术方案来实现的：
3、一种基于轻量级编码-解码器的医学图像分割方法，
4、步骤1、从公开的医学图像数据集中获取待分割图像，对数据集中每一个图像进行预处理，并将预处理后的数据集分为训练集与测试集；
5、步骤2、构建轻量级编码-解码器网络，包括ghost瓶颈编码器、mivit解码器，其中，ghost瓶颈编码器包括标准卷积层和ghost卷积层，分别用于提取图像的特征图，mivit解码器包括mobilevit模块和involution模块，分别用于捕获全局信息并将其与局部信息进行融合；
6、步骤3、将训练集中的图像数据输入到ghost瓶颈编码器中得到特征图，将所述特征图输入到mivit解码器中对局部与全局信息进行融合，使用sigmoid激活函数输出预测分割图像结果；
7、步骤4、对构建的轻量级编码-解码器网络模型进行训练和优化；
8、步骤5、对训练好轻量级编码-解码器网络模型进行量化，并将量化后的模型部署在边缘设备上；
9、步骤6、将测试集中的图像数据输入到部署有轻量级编码-解码器网络模型的边缘设备，得到医学图像分割结果。
10、进一步地，所述步骤1具体包括：
11、从脑肿瘤分割数据集brats、肺结节ct图像数据集luna16和皮肤病变分割数据集isic中获取待分割的原始图像；
12、将原始图像进行图像归一化，即将图像的像素值缩放到[0,1]区间，公式如下：其中，porig为原始像素值，pnorm为归一化后的像素值；
13、将所有图像尺寸统一调整为256*256大小；
14、将归一化和尺寸调整处理后的图像数据集分为训练集与测试集；
15、从训练集中选取部分原始图像在[-30°，30°]范围内进行随机角度的旋转，再选取一部分图像随机裁剪一个区域，将旋转和剪裁后得到的图像添加到训练集中。
16、进一步地，所述训练集中的图像数据输入到ghost瓶颈编码器中得到特征图，具体包括：
17、输入图像数据到标准卷积层，w为图像宽度，h为图像高度，标准卷积核大小为k*k，利用如下公式完成标准卷积的操作：其中，为输出的特征图，wout为输出特征图的宽度，hout为高度，cin和cout分别代表输入和输出的通道数；
18、输入图像数据i到ghost卷积层，生成低维特征图，利用如下公式完成ghost卷积的操作：
19、将从标准卷积层和ghost卷积层得到的特征图进行合并：
20、进一步地，所述mobilevit模块为一个轻量化的transformer模块，用于通过自注意力机制捕获全局信息，同时保留卷积结构来处理局部信息，核心公式如下：
21、
22、其中，dk为键的维度；q,k,v分别表示查询、键和值矩阵，是通过对输入的特征图应用三种不同的线性变换得到的，具体如下：
23、q＝iout*w1
24、k＝iout*w2
25、v＝iout*w3
26、其中，w1、w2和w3为分别用于生成查询、键和值的权重矩阵；
27、所述involution模块用于通过对输入特征图进行空间卷积操作来增强局部特征，公式如下：
28、
29、其中，f(·,·)表示反向卷积操作，xi,j为位置(i，j)上的输入特征，w为卷积核。
30、进一步地，步骤4中训练轻量级编码-解码器网络模型时利用dice系数损失评估分割精度，公式如下：
31、
32、其中，pi为预测值，ti为真实值。
33、进一步地，步骤4中优化轻量级编码-解码器网络模型时使用adam优化器进行优化，适应性地调整每个参数的学习率，得到优化后的分割网络模型。
34、进一步地，步骤5中使用int8量化方法对训练优化好的模型进行量化。
35、本专利技术的有益效果是：
36、1)本专利技术提供的轻量级编码器-解码器网络模型，通过结合卷积神经网络(cnn)和视觉变压器(vit)的优点，能够有效捕获图像中的全局上下文信息。这一设计不仅增强了模型对复杂结构和病变区域的理解能力，还保持了低参数和低计算复杂度的优势。此外，该网络模型通过引入高效的特征生成策略，在保证模型表达能力的同时，显著减少计算量和存储需求。通过这一机制，模型能够在较少参数的情况下保留重要的特征信息，从而提高计算效率。
37、2)由于轻量级编码器-解码器网络模型能适应边缘设备或嵌入式系统等计算资源有限的硬件平台，本专利技术的提供的基于轻量级编码-解码器的医学图像分割方法，能够在计算资源受限的设备上高效地进行医学图像分析，并在保证较高精度的同时显著降低了计算负担和存储需求。
本文档来自技高网...【技术保护点】
1.一种基于轻量级编码-解码器的医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：所述步骤1具体包括：
3.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：所述训练集中的图像数据输入到Ghost瓶颈编码器中得到特征图，具体包括：
4.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：所述MobileViT模块为一个轻量化的Transformer模块，用于通过自注意力机制捕获全局信息，同时保留卷积结构来处理局部信息，核心公式如下：
5.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：步骤4中训练轻量级编码-解码器网络模型时利用Dice系数损失评估分割精度，公式如下：
6.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：步骤4中优化轻量级编码-解码器网络模型时使用Adam优化器进行优化，适应性地调整每个参数的学习率，得到优化后的分割网络模型
7.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：步骤5中使用INT8量化方法对训练优化好的模型进行量化。
...【技术特征摘要】
1.一种基于轻量级编码-解码器的医学图像分割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：所述步骤1具体包括：
3.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：所述训练集中的图像数据输入到ghost瓶颈编码器中得到特征图，具体包括：
4.根据权利要求1所述的一种基于轻量级编码-解码器的医学图像分割方法，其特征在于：所述mobilevit模块为一个轻量化的transformer模块，用于通过自注意力机制捕获全局信息，同时保留卷积结构来处理局...
【专利技术属性】
技术研发人员：姜华茂，冯艳红，王朝，吕晓虹，刘永伟，
申请(专利权)人：锦州医科大学附属第一医院，
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。