本發(fā)明涉及一種醫(yī)學(xué)圖像自動分割方法，特別是一種基于基于分組多尺度和跨尺度融合機(jī)制的醫(yī)學(xué)圖像自動分割方法

背景技術(shù)：

1、卷積神經(jīng)網(wǎng)絡(luò)(cnn)已被證明在醫(yī)學(xué)圖像分割中非常有效，這得益于它們提取空間特征的高效性。然而，受限于感受野大小，傳統(tǒng)的卷積在捕獲長距離相關(guān)性和全局上下文方面存在局限性。近年來，transformers憑借其在建模長距離依賴關(guān)系和隱式空間關(guān)系的能力在醫(yī)學(xué)圖像分割中顯示出良好的前景。然而盡管transformer取得了重大進(jìn)展，但目前對于transformer的研究主要集中于減少自注意力的計(jì)算復(fù)雜度上，而忽略了同一注意層內(nèi)物體的多尺度特性。如備受關(guān)注的pvt模型，提出將自注意力中的空間令牌合并計(jì)算以降低計(jì)算成本。然而，這種方法傾向于在一個單一的自注意層中合并太多的令牌，這會導(dǎo)致來自小物體的令牌和背景噪聲混合。這種疏忽使得這些方法在處理包含不同大小物體的醫(yī)學(xué)圖像時所展示的性能受限。其根本原因在于，當(dāng)前的自注意機(jī)制通常使用固定的接受域來生成令牌，并在單個注意層內(nèi)保持一致的信息粒度。因此，它們無法同時捕獲不同尺度上的特征。另一方面，現(xiàn)有的自注意機(jī)制通常依賴于多頭注意力來跨通道維度進(jìn)行分組學(xué)習(xí)。然而最近的研究表明，多頭注意力往往表現(xiàn)出顯著的冗余性，這不可避免地降低了模型的效率。為了解決這一問題，曾有研究使用串聯(lián)多頭注意力頭部的方式，將一個頭部的輸出作為輸入提供給下一個頭部。通過這種方式，能夠促進(jìn)不同頭部之間的信息流動，以生成不同特征的頭部信息，但它同時破壞了多頭注意力的并行性，降低了計(jì)算效率。因此，有必要設(shè)計(jì)一種適當(dāng)?shù)慕Y(jié)構(gòu)，能夠良好的應(yīng)用自注意力模塊的優(yōu)勢，同時可以并充分捕獲圖像中的多尺度特征信息以更好地應(yīng)對器官結(jié)構(gòu)、紋理和形狀的顯著變化。本發(fā)明旨在提出一種新方法以克服此困難并帶來更好推理結(jié)果。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于分組多尺度和跨尺度融合機(jī)制的醫(yī)學(xué)圖像自動分割方法。實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：對采樣后的圖像塊特征通過基于分組多尺度和跨尺度融合機(jī)制的自注意力層思想構(gòu)建的模型進(jìn)行特征提取，包括以下步驟：

2、步驟1、基于已有醫(yī)學(xué)圖像數(shù)據(jù)集，對數(shù)據(jù)進(jìn)行預(yù)處理。

3、步驟2、將處理完數(shù)據(jù)劃分為訓(xùn)練集，驗(yàn)證集和測試集。

4、步驟3、基于訓(xùn)練集訓(xùn)練設(shè)計(jì)好的分割網(wǎng)絡(luò)模型:

5、步驟3.1、使用多級的編碼器網(wǎng)絡(luò)進(jìn)行圖形特征的提取。

6、步驟3.2、在每個編碼器中首先通過局部感知模塊提取局部空間信息，并幫助自注意力模塊獲得歸納偏置。接著使用由基于分組多尺度和跨尺度融合機(jī)制的構(gòu)成的多尺度感知模塊捕獲以及融合特征圖像中的多尺度信息。

7、步驟3.3、使用解碼器結(jié)構(gòu)進(jìn)行特征的恢復(fù)，同時使用高效融合模塊傳遞編碼器層級中的細(xì)節(jié)信息。

8、步驟3.4、基于損失函數(shù)計(jì)算損失后使用梯度下降算法收斂模型。

9、步驟4、重復(fù)步驟3訓(xùn)練分割網(wǎng)絡(luò)模型。

10、步驟5、使用訓(xùn)練后的分割網(wǎng)絡(luò)對測試數(shù)據(jù)進(jìn)行測試。

11、與現(xiàn)有技術(shù)相比，本發(fā)明的顯著優(yōu)點(diǎn)在于：

12、(1)使用由深度可分離卷積和特征空間壓縮塊構(gòu)成的局部感知模塊進(jìn)行局部空間信息的提取，并幫助自注意力模塊獲得歸納偏置。相比于傳統(tǒng)方法所需的參數(shù)更少，并具備良好的性能。

13、(2)為了充分的捕獲圖像中的多尺度信息，提出了基于分組多尺度和跨尺度融合機(jī)制的級聯(lián)自注意力機(jī)制，該機(jī)制可以充分的捕獲并融合圖像中的多尺度信息。

14、(3)使用了由多尺度卷積塊和基于空間注意力和通道注意力構(gòu)成的解碼塊?？梢愿玫倪m應(yīng)醫(yī)學(xué)圖像中不同器官在形態(tài)、結(jié)構(gòu)、大小之間的差異。同時補(bǔ)充了一個基于注意力思想的高效特征融合模塊，以進(jìn)一步加強(qiáng)解碼器中特征信息的恢復(fù)。

15、下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)描述。

技術(shù)特征：

1.一種基于分組多尺度和跨尺度融合機(jī)制的醫(yī)學(xué)圖像自動分割方法，其特征包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于分組多尺度和跨尺度融合機(jī)制的醫(yī)學(xué)圖像自動分割方法，其特征在于：步驟3中所述訓(xùn)練的網(wǎng)絡(luò)模型，其具體方法為：

3.根據(jù)權(quán)利要求1所述的基于分組多尺度和跨尺度融合機(jī)制的醫(yī)學(xué)圖像自動分割方法，其特征在于：步驟3.2中所述的分割網(wǎng)絡(luò)中每個編碼器中的特征提取模塊，其具體方法為：

技術(shù)總結(jié)
本發(fā)明提出了一種基于分組多尺度和跨尺度融合機(jī)制的醫(yī)學(xué)圖像自動分割方法，旨在解決傳統(tǒng)Transformer在醫(yī)學(xué)圖像分割中因器官結(jié)構(gòu)、紋理和形狀變化導(dǎo)致的性能受限問題。方法通過卷積莖層初步提取特征，縮小空間維度后，將特征圖送入包含局部感知模塊和多尺度感知模塊的編碼器。局部感知模塊提取局部空間信息并為自注意力模塊提供歸納偏置，多尺度感知模塊通過分組多尺度和跨尺度融合機(jī)制捕獲多尺度信息。解碼器結(jié)合多尺度卷積塊和注意力模塊恢復(fù)特征，并在跳躍連接中使用基于注意力的特征融合模塊。實(shí)驗(yàn)結(jié)果表明，該方法在公共數(shù)據(jù)集上表現(xiàn)良好，能充分捕獲多尺度信息，提升醫(yī)學(xué)圖像分割性能，具有應(yīng)用前景。

技術(shù)研發(fā)人員：紀(jì)則軒,陳政
受保護(hù)的技術(shù)使用者：南京理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23