【技术实现步骤摘要】
本专利技术涉及图形处理方法，更具体地，涉及一种基于混合选择性的高阶交互空间u形模型的图像分割方法。
技术介绍
1、人体最大的器官--皮肤是保护身体健康重要的器官。暴露在环境中的皮肤表面，容易受到紫外线、防晒霜、瘙痒等感染的影响。恶性皮肤病变(如恶性黑色素瘤)的形成是由于皮肤的黑色素在合适的紫外线的照射下会快速产生。恶性黑色素瘤若早期不能得以重视，而在晚期诊断才确诊的恶性黑色素瘤在五年内致死率高达75％。同时，一些良性皮肤病变如黄褐斑、太田痣、蒙古斑等虽然不会对人体健康产生致命的威胁，但是会使破坏患者脸部外貌原有的美观。这些良性皮肤病变目前越来越受到人们的重视，特别是对于那些对颜值高要求的年轻人。所以，为了提高对皮肤病变的正确识别的概率，计算机视觉的应用逐渐加入到辅助医生诊断队伍来。
2、人工诊断作为传统的诊断治疗方法，其严重受到皮肤科医生的专业知识水平的影响，人工诊断率仅在24％到77％之间。而通过计算机进行辅助诊断能够有效的解决这一问题，这对于医疗资源匮乏的地区尤为重要。一名皮肤科医生仅需要采用一台普通的计算机便可以有效提高诊断效率。医学图像自动分割是计算机视觉辅助诊断的关键要素之一。通过计算机自动分割能够迅速找到感兴趣区域(roi)，也就是皮肤病变的区域。精准的病变区域分割能够为之后的病变的诊断分类的准确率和治疗提供重要的支持。
3、图像分割即是根据颜色、灰度、空间纹理和几何形状等特征，将图像进行分割成几个区域。这几个区域通常是每个区域自身是具有一致性或相似性的，在不同区域显示出差异性。图像分割作为图
4、皮肤镜检查作为传统人工对皮肤诊断的关键技术一直占据主要地位。随着显卡功能和深度学习的最新发展使得计算机辅助诊断成为了另一个重点技术。计算机辅助诊断的其中一个关键技术是自动分割。自动分割也是在皮肤镜图像中通过计算机对病变区域特征的提取学习，进而能够实现计算机自动分割。
5、在近些年来，越来越多的研究对自动分割算法做出了改进，以提高分割性能。人们将经典的unet模型作用于皮肤病变分割中，研究结果表明传统的unet分割性能基本上优于传统人工的分割的准确度和速度。unet架构在医学分割领域中的表现使得越来越多的研究人员基于unet架构进行开发。att u-ne在传统的unet架构中加入了注意力门，对病变区域进行重点关注，提高模型的病变区域特征的提取能力。transunet在unet模型架构中加入了transformers。transunet结合了transformers对全局信息提取能力强的优点和卷积对局部特征提取能力强的优点。fat-ne在unet模型架构的编码器部分采用transformers编码器。解码器部分采用特征适配模块进行多级特征融合。attention swin u-net是基于swinu-net进行优化改进，级联操作中加入注意力机制，抑制不重要的信息。malunet是一种采用多级和多尺度信息融合的轻量化unet模型架构，以解决分割速度和占据内存大的问题。transnorm也是同时采用transformer和cnn的类unet架构，在跳跃连接部分采用注意力机制自适应校准特征的表达能力。c2sdg模型采用了一种特征对比增强方法。c2sdg对每张输入的图片进行提取较低特征和样式增强对应的特征并用于对比训练。最近，一种通用分割模型引发大家的广泛注意，任意分割模型(sam)在自然场景和医学场景中都具有较佳的效果。医学通用的分割模型(msa)即是在sam的基础上，加入adapter模块进行微调，以更加适合医学图像分割领域。
6、使用计算机辅助临床皮肤科医生诊断皮肤病是一种重要的辅助手段。而计算机辅助技术主要使用深度神经网络。最近，深度神经网络中高阶空间交互运算的提出引起了广泛关注。它同时具有卷积和变换器的优点，还具有高效、可扩展和平移变异等优点。然而，在高阶交互操作中，交互顺序的选择需要繁琐的人工选择合适的交互顺序。
7、目前，自动分割主要采用深度学习算法。在过去几年中，使用深度学习进行医学图像分割变得越来越流行。研究人员开发了多种深度学习算法，以适应不同的疾病并获得更高的准确性或更低的复杂性。目前许多基于深度学习的方法都优于传统的手动分割方法。对于视网膜血液图像分割，提出了由unet和pixelcnn组成的全残差自动编码批量归一化网络pixelbnn，并与fcn一致采用跳过连接。对于心脏区域的自动分割，提出了lu-net。这是一种改进的unet模型架构，主要解决了传统unet模型在心室分割中精度低的问题。
8、近来，提出一种同时具有vit和卷积的优点的高阶交互模块gnconv，但是提出的hornet模型简单的在采用阶数[2,3,4,5]顺序相接，如图1所示为现有技术的hornet模型架构。
技术实现思路
1、本专利技术的至少优选实施例的目的是解决一些上述缺点。附加或替代目的是至少向公众提供有用的选择。
2、本专利技术提出了一种基于混合选择性的高阶交互空间u形模型的图像分割方法，所述图像分割方法包括：
3、s1：采集若干相关图像作为训练图像集，并且对其进行预处理以设置图像的标签；
4、s2：将所述图像的多个特征分别输入到所述混合选择性的高阶交互空间u形模型，所述高阶交互空间u形模型包括编码器、解码器和跳跃连接部分，所述编码器包括五层结构，第一层结构采用卷积，第二层结构、第三层结构、第四层结构和第五层结构均采用混合选择性的高阶交互模块，所述混合选择性的高阶交互模块的四条不同操作通道分别采用2阶、3阶、4阶和5阶的特征提取操作；
5、s3：将所述2阶、3阶、4阶、5阶提取的特征进行融合，使用全连接层以得到指导特征，所述全连接层由1×1的标准卷积、batchnorm操作和relu激活函数组成；
6、s4：将指导特征的输入通道数恢复到四个原通道数并分为四个全连接层，而后在全连接层对应位置使用所述指导特征和相关函数以使得每个对应位置权重总和为1，将每个通道的各个阶数的权重值与交互操作进行相乘，并将得到的特征图相加得到混合高阶交互特征图，从而得到最终的图像的分割结果。
7、在一方面，2阶与3阶交互操作本文档来自技高网...
【技术保护点】
1.一种基于混合选择性的高阶交互空间U形模型的图像分割方法，其特征在于，所述图像分割方法包括：
2.根据权利要求1所述的图像分割方法，其特征在于，2阶与3阶交互操作中将特征进行一次与深度卷积进行元素相乘，而4阶与5阶交互操作中将特征进行一次与全局-滤波器进行元素相乘。
3.根据权利要求1所述的图像分割方法，其特征在于，在编码器和解码器的第五层提取的高级语义信息被加入ConvMixer模块，在所述跳跃连接部分采用多级和多尺度信息融合的通道注意力模块和空间注意力模块。
4.根据权利要求1所述的图像分割方法，其特征在于，在S2中的提取操作之前，将输入特征输入到IEAB，以将输入映射到更高维度的空间，其中，
5.根据权利要求4所述的图像分割方法，其特征在于，融合操作表示为，
6.根据权利要求1所述的图像分割方法，其特征在于，在全连接层对应位置使用softmax函数，所述权重表示通过指导特征得到的每个通道数的各个阶数的权重值。
7.根据权利要求6所述的图像分割方法，其特征在于，在S4中，
8.根据权利要求1
9.根据权利要求1所述的图像分割方法，其特征在于，基于混合选择性的高阶交互空间U形模型包括ConvMixer块，所述ConvMixer块由深度卷积和1×1普通卷积组成，并且每个卷积附带一个Batch normalization和GELU激活函数。
...【技术特征摘要】
1.一种基于混合选择性的高阶交互空间u形模型的图像分割方法，其特征在于，所述图像分割方法包括：
2.根据权利要求1所述的图像分割方法，其特征在于，2阶与3阶交互操作中将特征进行一次与深度卷积进行元素相乘，而4阶与5阶交互操作中将特征进行一次与全局-滤波器进行元素相乘。
3.根据权利要求1所述的图像分割方法，其特征在于，在编码器和解码器的第五层提取的高级语义信息被加入convmixer模块，在所述跳跃连接部分采用多级和多尺度信息融合的通道注意力模块和空间注意力模块。
4.根据权利要求1所述的图像分割方法，其特征在于，在s2中的提取操作之前，将输入特征输入到ieab，以将输入映射到更高维度的空间，其中，
5.根据权利要求4所述的图像分割方法，其特...
【专利技术属性】
技术研发人员：常庆，吴任凯，梁鹏晨，常杰，
申请(专利权)人：江苏捷瑞森医疗科技发展有限公司，
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。