【技术实现步骤摘要】
基于通道混合的编解码网络的医学图像分割方法
[0001]本专利技术涉及计算机图像识别
,特别涉及一种基于通道混合的编解码网络的医学图像分割方法。
技术介绍
[0002]目前,计算机视觉技术应用于多个场景,包括图像分类、目标检测、三维重建以及语义分割等领域。随着互联网通信快速发展,智能化产品的竞争力需要更高级的语义场景理解的技术突破。因此,语义分割作为计算机视觉的核心问题,能够帮助越来越多的产品自动高效地理解图像或影像中相关的知识或语义,从而达到智能化目标,减小人为的交互操作以及提升客户的舒适感。当前这些产品已广泛应用于自动驾驶、人机交互、计算摄影学、图像搜索引擎、增强现实等领域。
[0003]计算机视觉中语义分割问题本质上是从粗糙推理逐渐到精细化推理的过程。刚开始要追溯到分类问题,即粗略地预测输入样本中的物体类别,之后就是目标物体的定位与检测,这不仅预测物体的类别,并且给出关于各类别空间位置的额外信息,比如中心点或物体区域的边框。在此基础上,语义分割可以理解为在检测领域上的细粒度预测,将测试图像输入分割网络,使预测的热图大小和输入图片保持一致,通道数等于类别数,分别代表了各空间位置属于各类别的概率,即可以逐像素地进行分类。
[0004]全卷积网络FCN成为了深度学习技术应用于语义分割问题的基石,它可以接受任意尺寸的输入图像,通过若干个反卷积层对编码网络的最后一个卷积的特征图(feature map)进行上采样解码,使它恢复到输入图像相同的尺寸,从而可以对每一个像素都产生一个预测,同时保留了原始输 ...
【技术保护点】
【技术特征摘要】
1.一种基于通道混合的编解码网络的医学图像分割方法,其特征在于:包括如下步骤:获取待分割的医学图像;将待分割的医学图像导入训练好的网络模型中进行识别得到分割后的医学图像;所述训练好的网络模型基础结构为对称U
‑
Net网络结构,且U
‑
Net网络结构中解码器部分的特征图由编码器中具有相同尺寸的特征图通过自注意力模块和最大上采样索引矩阵分别处理并融合后得到。2.如权利要求1所述的基于通道混合的编解码网络的医学图像分割方法,其特征在于:所述的U
‑
Net网络结构按如下步骤将输入图像处理为分割后的医学图像:S100、将输入的图像进行卷积操作得到特征图a1;S200、对特征图a
i
进行卷积和池化操作得到特征图a
i+1
,其中i∈{1,2,
…
,n
‑
1},a
n
即为最底层特征图b
n
;S300、利用自注意力模块对特征图a
i
进行处理,利用最大上采样索引矩阵对特征图b
i+1
进行处理,并将两者的处理结果融合后得到特征图b
i
;S400、对特征图b1进行卷积操作得到特征图c;S500、对特征图c进行softmax操作即可得到分割后的医学图像;以上步骤中,输入的图像与特征图c具有相同的宽高,特征图a
i
和b
i
尺寸完全相同。3.如权利要求1所述的基于通道混合的编解码网络的医学图像分割方法,其特征在于:所述的步骤S200中,特征图a
i
进行池化操作时生成最大上采样索引矩阵d
i
,步骤S300包括如下步骤:S310、特征图a
i
经过自注意力模块处理后得到特征图b
i,1
;S320、对特征图b
i+1
进行卷积操作得到特征图;S330、特征图根据最大上采样索引矩阵d
j
进行最大池化上采样得到特征图b
i,2
;S340、将特征图b
i,1
和特征图b
i,2
进行通道融合得到特征图b
i
;以上步骤中,特征图a
i
、...
【专利技术属性】
技术研发人员:田辉,刘其开,郭玉刚,张志翔,
申请(专利权)人:合肥高维数据技术有限公司,
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。