基于可变形注意力机制的医学图像分类方法与医疗设备技术

本申请涉及一种基于可变形注意力机制的医学图像分类方法与医疗设备，其中，方法包括：获取待检测的医学图像，通过DSC模块对所述医学图像中局部聚集信息进行提取与拼接，得到局部信息特征图，通过DSA模块所述局部信息特征图中局部信息特征之间的全局关系进行建模，得到全局信息特征图，根据所述局部信息特征图以及所述全局信息特征图对所述医学图像进行分类。整个过程中，通过DSC模块对局部聚集信息进行处理，然后通过DSA模块对局部聚集信息之间的全局关系进行建模，能够专注于局部区域（例如病灶区域）、并捕获更多信息特征，最终实现准确的医学图像分类。确的医学图像分类。确的医学图像分类。

【技术实现步骤摘要】
基于可变形注意力机制的医学图像分类方法与医疗设备


[0001]本申请涉及图像处理
，特别是涉及一种基于可变形注意力机制的医学图像分类方法与医疗设备。

技术介绍

[0002]图像分类是指将图像分为不同的类别或标签，它是计算机视觉领域中的一个基本问题，也是许多实际应用中的重要任务。在图像分类任务中，计算机系统通常会接收一个图像作为输入，然后使用特定的算法和模型来预测图像所属的类别。为了实现准确的图像分类，需要选择适当的特征提取方法、合适的分类器和足够的训练数据。
[0003]医学图像分类指的是基于疾病导致的医学影像学表现，通过计算机视觉和机器学习技术，对医学影像进行分析和分类，以给医生对换阵疾病诊断提供数据上的支持和中间量参数，即这种分类算法可以用于辅助医生进行疾病的诊断和治疗。通常情况下，这种分类算法会采用一系列预处理技术和模型，如图像增强、特征提取和深度学习模型等，以从医学影像中提取有用的特征，并进行病变区域的分类和定位。
[0004]虽然传统的图像分类方案可以实现的医学图像分类，但是在医学图像分类中，因为病变区域具有复杂的形状和大小变化，同时图像中存在噪声和伪影等干扰导致最终分类精度不高。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种精准的基于可变形注意力机制的医学图像分类方法与医疗设备。
[0006]第一方面，本申请提供了一种基于可变形注意力机制的医学图像分类方法。所述方法包括：获取待检测的医学图像；通过DSC（Dynamic Spatial Convolution，动态空间卷积）模块对所述医学图像中局部聚集信息进行提取与拼接，得到局部信息特征图；通过DSA（Deformable Spatial Attention，可变形空间注意力）模块所述局部信息特征图中局部信息特征之间的全局关系进行建模，得到全局信息特征图；根据所述局部信息特征图以及所述全局信息特征图对所述医学图像进行分类。
[0007]在其中一个实施例中，所述通过DSC模块对所述医学图像中局部聚集信息进行提取与拼接，得到局部信息特征包括：将所述医学图像分割成多个局部区域；通过DSC模块中交替深度可分离层和逐点卷积层学习各所述局部区域的空间变换；在各所述局部区域内学习到的空间变换进行特征图重新采样，得到重采样后的特征图；
将所述重新采样后的特征图进行拼接，得到局部信息特征图。
[0008]在其中一个实施例中，所述DSC模块的卷积核为：
[0009]表示 DSC 模块的输出结果，表示卷积 DSC 大小内部空间位置的索引集，表示位于卷积核内的输入表示位于卷积核内的输入，其中表示依赖图像输入参数自适应预测卷积核的子网络。
[0010]在其中一个实施例中，所述通过DSA模块所述局部信息特征图中局部信息特征之间的全局关系进行建模，得到全局信息特征图包括：根据所述局部信息特征图生成均匀网络；基于所述均匀网络选取参考点；计算各所述参考点的偏移量；根据所述偏移量进行多有注意力机制处理，得到多头注意力机制结果；基于所述偏移量以及所述多头注意力机制结果对所述局部信息特征图进行处理，得到全局信息特征图。
[0011]在其中一个实施例中，所述计算各所述参考点的偏移量之前，还包括：根据所述均匀网络的网络形状将各所述参考点归一到预设范围。
[0012]在其中一个实施例中，所述根据所述偏移量进行多有注意力机制处理，得到多头注意力机制结果包括：根据所述偏移量进行双线性插值采样，生成注意力机制的键k和值v；根据所述键k和值v进行多头注意力机制，得到多头注意力机制结果。
[0013]在其中一个实施例中，所述根据所述局部信息特征图以及所述全局信息特征图对所述医学图像进行分类包括：对所述局部信息特征图以及所述全局信息特征图中特征进行预设卷积处理和池化处理；将卷积与池化处理结果进行线性分类操作，生成医学图像分类结果。
[0014]在其中一个实施例中，所述预设卷积处理包括1
×
1的卷积处理。
[0015]在其中一个实施例中，所述根据所述局部信息特征图以及所述全局信息特征图对所述医学图像进行分类之后，还包括：推送医学图像分类结果。
[0016]第二方面，本申请还提供了一种医疗设备。所述医疗设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待检测的医学图像；通过DSC模块对所述医学图像中局部聚集信息进行提取与拼接，得到局部信息特征图；通过DSA模块所述局部信息特征图中局部信息特征之间的全局关系进行建模，得到全局信息特征图；
根据所述局部信息特征图以及所述全局信息特征图对所述医学图像进行分类。
[0017]上述基于可变形注意力机制的医学图像分类方法与医学设备，获取待检测的医学图像，通过DSC模块对所述医学图像中局部聚集信息进行提取与拼接，得到局部信息特征图，通过DSA模块所述局部信息特征图中局部信息特征之间的全局关系进行建模，得到全局信息特征图，根据所述局部信息特征图以及所述全局信息特征图对所述医学图像进行分类。整个过程中，通过DSC模块对局部聚集信息进行处理，然后通过DSA模块对局部聚集信息之间的全局关系进行建模，能够专注于局部区域（例如病灶区域）、并捕获更多信息特征，最终实现准确的医学图像分类。
附图说明
[0018]图1为一个实施例中基于可变形注意力机制的医学图像分类方法的应用环境图；图2为一个实施例中基于可变形注意力机制的医学图像分类方法的流程示意图；图3为一个实施例中S400的子流程示意图；图4为DSC模块的结构示意图；图5为一个实施例中S600的子流程示意图；图6为另一个实施例中基于可变形注意力机制的医学图像分类方法的流程示意图；图7为DDST数据集的性能表现示意图，其中（a）为针对普通肺炎图像分类的DDST召回率表现示意图，（b）为针对新型冠状病毒感染图像分类的DDST召回率表现示意图；图8为一个实施例中医疗设备的内部结构图。
具体实施方式
[0019]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0020]本申请实施例提供的基于可变形注意力机制的医学图像分类方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102采集医学图像，生成医学图像分类请求，上传该医学图像分类请求至服务器104，服务器104解析医学图像分类请求，获取待检测的医学图像，通过DSC模块对医学图像中局部聚集信息进行提取与拼接，得到局部信息特征图，通过DSA模块局部信息特征图中局部信息特征之间的全局关系进行建模，得到全局信息特征图，根据局部信息特征图以及全局信息特征图对医学图像进行分类。进一步的，服务本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可变形注意力机制的医学图像分类方法，其特征在于，所述方法包括：获取待检测的医学图像；通过DSC模块对所述医学图像中局部聚集信息进行提取与拼接，得到局部信息特征图；通过DSA模块所述局部信息特征图中局部信息特征之间的全局关系进行建模，得到全局信息特征图；根据所述局部信息特征图以及所述全局信息特征图对所述医学图像进行分类。2.根据权利要求1所述的方法，其特征在于，所述通过DSC模块对所述医学图像中局部聚集信息进行提取与拼接，得到局部信息特征包括：将所述医学图像分割成多个局部区域；通过DSC模块中交替深度可分离层和逐点卷积层学习各所述局部区域的空间变换；在各所述局部区域内学习到的空间变换进行特征图重新采样，得到重采样后的特征图；将所述重新采样后的特征图进行拼接，得到局部信息特征图。3.根据权利要求1或2所述的方法，其特征在于，所述DSC模块的卷积核为：；表示DSC 模块的输出结果，表示卷积DSC 大小内部空间位置的索引集，表示位于卷积核内的输入表示位于卷积核内的输入，其中表示依赖图像输入参数自适应预测卷积核的子网络。4.根据权利要求1所述的方法，其特征在于，所述通过DSA模块所述局部信息特征图中局部信息特征之间的全局关系进行建模，得到全局信息特征图包括：根据所述局部信息特征图生成均匀网络；基于所述均匀网络选取参考点；计算各所述参考点的偏移量；根据所述偏移量进行多有注意力...

【专利技术属性】
技术研发人员：李桂梅，黄佳辉，谭平，周诗怡，阙帆辉，谢思源，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：