【技术实现步骤摘要】
本专利技术涉及医学图像处理领域，特别涉及一种基于互补和对比特征的医学图像分割方法。
技术介绍
1、随着医学成像技术的发展，医学影像数据已成为医生诊断疾病的重要依据。智能医学影像分割技术能够自动准确地识别和标记出人体器官和病灶区域，向医生提供更清晰、直观的目标位置和尺寸大小等信息，显著提高了诊断的准确性。然而，医学影像的背景往往存在低对比度和杂乱等特性，使得准确分割面临着巨大挑战。
2、目前，基于卷积神经网络(convolutional neural network，cnn)的方法在医学影像分割领域取得了显著成果。虽然cnn在提取局部信息方面具有优异表现，但在全局上下文建模方面不足，导致现有基于cnn的分割方法在处理背景复杂的场景时，分割效果受限。而transformer结构，因其自注意力机制，在处理全局上下文方面展现出巨大优势。基于此，本专利技术将cnn与transformer结合，以同时捕获全局和局部特征，提升分割的准确性。针对背景噪声干扰问题，现有方法常利用高层语义信息抑制背景噪声，但该方法忽略了对背景特征的学习，使得在...
【技术保护点】
1.一种基于互补和对比特征的医学图像分割方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于互补和对比特征的医学图像分割方法，其特征在于：步骤四中所述的全局特征优化模块GCRθ2以E5和Zg作为输入，首先对E5执行轴向注意力的强化全局特征，其次，对G执行卷积、池化等操作，自适应生成一组全局特征，形式化描述为：
3.根据权利要求1所述的基于互补和对比特征的医学图像分割方法，其特征在于：步骤六中所述的相互注意模块MAθ4以Gi和Ei作为输入，通过其级联的双重注意力块DABi，构建前景和背景注意力图(和)，并采用自上而下的特征融合方式，获取...
【技术特征摘要】
1.一种基于互补和对比特征的医学图像分割方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于互补和对比特征的医学图像分割方法，其特征在于：步骤四中所述的全局特征优化模块gcrθ2以e5和zg作为输入，首先对e5执行轴向注意力的强化全局特征，其次，对g执行卷积、池化等操作，自适应生成一组全局特征，形式化描述为：
3.根据权利要求1所述的基于互补和对比特征的医学图像分割方法，其特征在于：步骤...
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。