一种基于边缘高频纹理特征的自注意力医疗图像分割装置制造方法及图纸

本发明专利技术公开了一种基于边缘高频纹理特征的自注意力医疗图像分割装置，包括：经高斯滤波模块滤波后的图像依次输入进基于多层感知机的自注意力模块和基于傅里叶变换的高频信息提取模块；基于多层感知机的自注意力模块，为一三层结构，输入特征分别经过多层感知机、1*1卷积单元，得到处理之后的第一、第二和第三特征信息向量；将第一、第二特征信息向量相乘，相乘后的结果利用Softmax函数，增强网络的泛化能力；将结果与第三特征信息向量重复上述步骤；最后进行维度变换工作，保证输入输出的维度一致；基于傅里叶变换的高频信息提取模块，将图像从时域转换为频域，通过高通滤波提取物体边缘特征信息；同时利用傅里叶变换与逆傅里叶变换，保证维度的统一性，并经由直方图均衡化的处理。化的处理。化的处理。

【技术实现步骤摘要】
一种基于边缘高频纹理特征的自注意力医疗图像分割装置


[0001]本专利技术涉及机器学习的图像分割领域，尤其涉及一种基于边缘高频纹理特征的自注意力医疗图像分割装置，本专利技术通过对大数据医疗图像进行处理和学习，能够自动分割出目标病灶的类型与位置或描绘出生物细胞的边缘轮廓，为医学诊断提供辅助判读功能。

技术介绍

[0002]医疗图像分割是医学图像处理与分析领域的复杂而关键的步骤，其目的是将医疗图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生作出更为准确的诊断。
[0003]由于医学图像自身的复杂性，在分割过程中需要解决不均匀及个体差异等一系列问题，所以一般的图像分割方法难以直接应用于医疗图像分割。当前，医疗图像分割仍在从手动分割或半自动分割向全自动分割发展。在传统的医疗图像分割方法中，大多是基于图形学的方式。常见的有基于阈值的分割方法、基于边缘检测的分割方法、基于聚类的分割方法。其中基于阈值的分割方法指的是通过一个或者多个阈值，将图像的灰度直方图分成几个类，并认为图像中灰度值在同一个灰度类内的像素具有相同的属性，其算法关键在于最优阈值的获取。基于边缘检测的分割方法指的是通过图像中灰度发生空间突变的像素的集合来描述物体边缘，通过采用一阶和二阶导数来描述和检测边缘。例如：Roberts、Prewitt和Sobel等算子。基于聚类的分割方法属于无监督学习方式，通过对无标记训练样本的学习来揭示其内在的性质和规律，在实际训练过程中，通常将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”。其中相似的像素点归为同一簇，不相似的归为不同的簇。常见的聚类方法有K
‑
Means算法和模糊C均值聚类算法。
[0004]随着计算机算力的不断发展与人工智能的兴起，新兴的医疗图像分割装置大多基于神经网络进行。常见的方法有基于编码器
‑
解码器、基于注意力机制、基于上下文等。其中基于编码器
‑
解码器是将整个网络分为编码器与解码器两个部分，网络首先将图像进行编码，之后通过解码器将目标区域进行解码操作，得到分割结果。常见的编码器
‑
解码器网络如FCN(全卷积语义分割网络)和U
‑
Net(U型语义分割网络)。基于注意力机制是通过注意力机制针对性的调整网络对于目标区域的关注程度，常见的基于注意力机制的分割，例如：自注意力机制和Transformer。基于上下文是通过分析图像中目标区域与周围上下文之间的关联，来分割医疗图像中的病灶区域。
[0005]当然，目前医疗图像分割中还存在许多问题，例如图像中存在较多噪点、图像对比度低、分割边缘细节不明显等问题，这些问题都会影响最终的分割结果。因而在未来工作中，还需要针对这些问题进行着重解决，以提高医疗图像分割精度。

技术实现思路

[0006]本专利技术提供了一种基于边缘高频纹理特征的自注意力医疗图像分割装置，本专利技术将传统图形学方式与神经网络相结合，采用编码器
‑
解码器结构，引入了自注意力机制与傅
里叶变换等一系列数学方法来增强网络对于物体边缘细节的敏感度，从而增强网络性能，提升分割效果，为后续医生进行诊断提供有力的数据支撑，详见下文描述：
[0007]一种基于边缘高频纹理特征的自注意力医疗图像分割装置，所述装置包括：
[0008]经高斯滤波模块滤波后的图像依次输入进基于多层感知机的自注意力模块和基于傅里叶变换的高频信息提取模块；
[0009]基于多层感知机的自注意力模块，为一三层结构，输入特征分别经过多层感知机、1*1卷积单元，得到处理之后的第一、第二和第三特征信息向量；然后将第一、第二特征信息向量相乘，相乘后的结果利用Softmax函数，增强网络的泛化能力；并将结果与第三特征信息向量重复上述步骤；最后进行维度变换工作，保证输入输出的维度一致；
[0010]基于傅里叶变换的高频信息提取模块，将图像从时域转换为频域，通过高通滤波提取物体边缘特征信息；同时利用傅里叶变换与逆傅里叶变换，保证维度的统一性，并经由直方图均衡化的处理。
[0011]其中，所述直方图均衡化的处理结果为：
[0012][0013]其中，cdf(v)函数是用来统计特征向量中值为v的数量，L表示级数，round函数表示向下取整函数，cdf(min)为特征向量中值为最小值的数量，cdf(max)为特征向量中值为最大值的数量。
[0014]本专利技术提供的技术方案的有益效果是：
[0015]1、本专利技术提出了一种新的基于多层感知机与自注意力机制来进行高效特征采样，为后续特征分割提供空间位置信息；
[0016]2、本专利技术设计了一种基于傅里叶变换的高频信息提取模块，该模块可以提取高频细节信息，进一步优化病灶边缘分割的结果；
[0017]3、本专利技术多层感知机与自注意力机制与高频信息提取模块，设计了一种新的网络结构进行医疗图像分割，其能够在提升网络分割效果的同时，优化物体边缘纹理细节，进一步提升网络对医疗图像分割的效果。
附图说明
[0018]图1为基于边缘高频纹理特征的自注意力医疗图像分割的网络架构图；
[0019]图2为基于多层感知机的自注意力模块的示意图；
[0020]图3为基于傅里叶变换的高频信息提取模块的示意图；
[0021]图4为不同种滤波方式的可视化展示图；
[0022]图5为不同方法的可视化对比效果图。
具体实施方式
[0023]为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。
[0024]医疗图像分割一直是图形学领域的一个重点研究方向，其对于解决医疗资源短缺和医疗资源不平衡问题都有至关重要的作用。然而，在目前医疗图像分割仍旧面临着物体
边缘细节分割不明显的问题，这对于目标病灶的轮廓分析和医生后期辅助诊断都带来了一系列挑战。
[0025]本专利技术实施例主要描述了一种基于边缘高频纹理特征的自注意力医疗图像分割装置，该装置的网络结构图如图1所示。
[0026]该网络结构主要由三个部分构成：高斯滤波模块、基于多层感知机的自注意力模块(MLPA)和基于傅里叶变换的高频信息提取模块(FHF)。图像首先经由高斯滤波模块，在这里利用高斯滤波函数进行图像的降噪工作，主要目的是去除医疗图像中的噪点，从而为后续工作提供高质量的清晰图像。经过高斯滤波后的图像分别经过基于多层感知机的自注意力模块和基于傅里叶变换的高频信息提取模块。在基于多层感知机的自注意力模块中，本专利技术实施例将传统自注意力机制中的1*1卷积替换为多层感知机，从而提升网络信息提取的丰富度，增强网路信息的提取能力。在基于傅里叶变换的高频信息提取模块中，本专利技术实施例将图像从时域转换为频域，通过高通滤波提取物体边缘特征信息。之后将两部分特征进行结合得到融合特征并经上采样得到最终的输出结果。
[0027]一、高斯滤波模块
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘高频纹理特征的自注意力医疗图像分割装置，其特征在于，所述装置包括：经高斯滤波模块滤波后的图像依次输入进基于多层感知机的自注意力模块和基于傅里叶变换的高频信息提取模块；基于多层感知机的自注意力模块，为一三层结构，输入特征分别经过多层感知机、1*1卷积单元，得到处理之后的第一、第二和第三特征信息向量；然后将第一、第二特征信息向量相乘，相乘后的结果利用Softmax函数，增强网络的泛化能力；并将结果与第三特征信息向量重复上述步骤；最后进行维度变换工作，保证输入输出的维度一致；基...

【专利技术属性】
技术研发人员：孙美君，李鹏飞，王征，
申请(专利权)人：天津大学，
类型：发明
国别省市：