【技术实现步骤摘要】
本专利技术属于医学图像分割领域，具体涉及一种融合多尺度特征的双通道医学图像分割方法。
技术介绍
1、医学图像分割的目标是对医学图像不同部位器官的解剖结构进行划分，即从特定的组织图像中提取有效信息，进而帮助医生更好地了解患者的病情，是临床分析和医疗干预的有力证据之一。
2、在过去的十年中，基于深度学习的图像分割技术已成为主流方法。其中，与卷积神经网络相关的方法被广泛应用于各种分割任务，并在医学图像分割上取得了显著的进展。特别是2015年提出的基于卷积神经网络的u-net图像分割方法，能够有效地结合不同层次的特征，但卷积网络的感受野受限于卷积核大小，其网络中3*3的卷积核使得其提取特征时存在一定的局限性，在建模长距离依赖关系和获取有效全局信息方面的能力不足。与此同时，transformer相关模型因其全局且动态的感受野能够捕获全局信息，但其模型结构仍然相对复杂，面临着资源消耗大、计算复杂度高等问题，同时存在提取局部上下文特征方面的不足。为此，convnext方法将transformer的性能优势和传统卷积网络的高效性和简洁性相结合使用7*7大小的卷积核来覆盖较大的感受野，提高了模型对于输入图像的感知能力。但基于较大卷积核时，在医学图像这种数据量不足的情况下会增加过拟合的风险，并可能导致边缘区域的特征信息被过度平滑。
3、综上所述，我们认为现有深度学习方法针对医学图像分割时存在以下不足：在处理具有复杂结构的医学图像时，小卷积核由于其固有的局部性，难以有效地捕捉到长距离依赖关系；相反，大卷积核虽能捕捉长距离依赖关
技术实现思路
1、本专利技术的目的是为解决上述现有技术中存在的局部和全局特征提取能力不足导致分割精度低的问题，而提供一种融合多尺度特征的双通道医学图像分割方法。
2、本专利技术所采用的技术方案是，一种融合多尺度特征的双通道医学图像分割方法，包括以下步骤：
3、步骤1，根据式(1)对医学图像it进行尺寸归一化，获得具有相同尺寸的图像
4、
5、其中reshape()表示尺寸归一化操作，h和w分别为图像的高和宽；
6、步骤2，根据式(2)对步骤1得到的图像进行小尺寸卷积和下采样得到图像特征该特征的高和宽分别为和
7、
8、其中conv1()表示尺寸为3*3的卷积操作，downsample()表示下采样操作；
9、步骤3，根据式(3)对步骤1得到的图像进行大尺寸卷积和下采样得到图像特征该特征的高和宽分别为和
10、
11、其中conv1()表示尺寸为7*7的卷积操作；
12、步骤4，根据式(4)对步骤2得到的图像特征进行小尺寸卷积和下采样得到图像特征该特征的高和宽分别为和
13、
14、步骤5，根据式(5)对步骤3得到的图像特征进行大尺寸卷积和下采样得到图像特征该特征的高和宽分别为和
15、
16、步骤6，根据式(6)对步骤4得到的图像特征进行小尺寸卷积和下采样得到图像特征该特征的高和宽分别为和
17、
18、步骤7，根据式(7)对步骤5得到的图像特征进行大尺寸卷积和下采样得到图像特征该特征的高和宽分别为和
19、
20、步骤8，根据式(8)对步骤6得到的图像特征进行小尺寸卷积和下采样得到图像特征该特征的高和宽分别为和
21、
22、步骤9，根据式(9)对步骤7得到的图像特征进行大尺寸卷积和下采样得到图像特征该特征的高和宽分别为和
23、
24、步骤10，根据式(10)对步骤8和步骤9得到的图像特征进行拼接和上采样得到图像特征该特征的高和宽分别为和
25、
26、其中concat()表示拼接操作，upsanpie()为上采样操作；
27、步骤11，根据式(11)对步骤6、步骤7和步骤10得到的图像特征进行拼接和上采样得到图像特征该特征的高和宽分别为和
28、
29、步骤12，根据式(12)对步骤4、步骤5和步骤11得到的图像特征进行拼接和上采样得到图像特征该特征的高和宽分别为和
30、
31、步骤13，根据式(13)对步骤2、步骤3和步骤12得到的图像特征进行拼接和上采样得到图像特征该特征的高和宽分别为h和w；
32、
33、步骤14，根据式(14)对步骤13得到的图像特征进行二分类，得到最终的分割结果lt，
34、
35、其中softmax()表示归一化操作。
36、与现有技术相比，本专利技术具有以下优点：
37、(1)本专利技术提出的一种融合多尺度特征的双通道医学图像分割方法，能够对边缘不清晰和结构复杂的医学图像实现高精度的分割；
38、(2)不同于现有深度学习类方法仅使用单通道进行特征提取的方法，本专利技术方法结合了小尺度和大尺度的特征，实现了多尺度特征的融合，有效提升图像分割的准确性。
39、因此，本申请提出融合多尺度特征的双通道深度网络方法，该方法可从局部细节与全局结构融合的角度实现医学图像高精度的分割。
本文档来自技高网...【技术保护点】
1.一种融合多尺度特征的双通道医学图像分割方法，其特征在于：包括以下步骤：
【技术特征摘要】
1.一种融合多尺度特征的双通道医学图像...
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。