基于多尺度融合的全局上下文关注网络的图像分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115375711A(43)申请公布日2022.11.22(21)申请号202211135634.9G06N3/04(2006.01)(22)申请日2022.09.19G06N3/08(2006.01)(71)申请人安徽大学地址230000安徽省合肥市肥西路3号(72)发明人朱玉情黎青(74)专利代理机构徐州迈程知识产权代理事务所(普通合伙)32576专利代理师胡建豪(51)Int.Cl.G06T7/11(2017.01)G06V10/26(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/80(2022.01)G06T5/00(2006.01)权利要求书2页说明书5页附图2页(54)发明名称基于多尺度融合的全局上下文关注网络的图像分割方法(57)摘要本发明提出基于多尺度融合的全局上下文关注网络的图像分割方法,包括数据预处理及分类、构建全局上下文关注网络模型、全局上下文关注网络模型训练及图像分割四个步骤，通过对待分割的医学图像进行预处理，并将其划分为不同的数据集，再构建基于多尺度融合的全局上下文关注网络，并将数据集输入全局上下文关注网络进行训练，再利用训练好的网络模型进行图像分割，得到分割后的图像，本发明通过将同一层不同尺度特征进行融合，将更多的空间信息保留下来，提高分割精度，利用全局上下文建模，有效地捕获全局信息，同时将通道注意力机制置于跳跃连接处，融合不同的特征并且有效地提高模型的表征能力，来满足任务中对处理速度和分割精度较高的要求。CN115375711ACN115375711A权利要求书1/2页1.基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：包括以下步骤：步骤一、数据预处理及分类获得待分割的医学图像数据，并对该医学图像数据进行预处理，再对经过预处理后的医学图像数据进行划分，将其划分为训练集数据、验证集数据和测试集数据；步骤二、构建全局上下文关注网络模型构建基于多尺度融合的全局上下文关注网络，其包括特征图收缩网络、四个多尺度融合模块、四个全局上下文建模模块、四个通道注意力模块和特征图扩张网络；步骤三、全局上下文关注网络模型训练将步骤一中划分的训练集数据输入多尺度融合的全局上下文关注网络内进行训练，并使用交叉熵损失和Dice损失相结合，计算真值与预测值之间的损失，得到学习后的网络模型；步骤四、图像分割将步骤一中划分的测试集数据输入步骤三中训练好的网络模型内，进行图像分割，继而得到分割后的图像，并得出评价指标。2.根据权利要求1所述的基于多尺度融合的局上下文关注网络的图像分割方法，其特征在于：所述步骤一中预处理包括对医学图像数据分别进行降噪、去除冗余背景、统一尺寸以及标签标注。3.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：所述步骤一中对训练集数据和验证集数据进行数据增强，以防止过拟合。4.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：所述步骤二中特征图收缩网络与特征图扩张网络之间设有跳跃连接，所述多尺度融合模块、全局上下文建模模块和通道注意力模块设于跳跃连接处。5.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：所述步骤二中特征图收缩网络包括自上而下分层设置的五层卷积块和四层最大池化操作，用于对原始图像的特征提取。6.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：所述步骤二中多尺度融合模块是利用多个不同卷积核的卷积操作，提取不同的特征，最后将这些特征相加。7.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：所述步骤二中全局上下文建模模块用于聚合全局信息，避免因局部信息的局限性影响分割精度。8.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：所述步骤二中通道注意力模块的两个输入分别来自上层卷积块的输出和全局上下文建模模块的输出，且通道注意力模块用于关注重要的特征信息，并过滤背景和噪声。9.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：所述步骤二中特征图扩张网络包括自下而上分层设置的四层卷积块和四层最大池化操作，且特征图扩张网络用于在特征图收缩网络和跳跃连接提供的图像特征信息的基础上，预测出与原始图像尺寸大小相同的分割图像。2CN115375711A权利要求书2/2页10.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法，其特征在于：所述步骤三中，训练的具体步骤为：S1：将训练集数据分为n批，并初始化权重；S2：分批次将训练集数