【技术实现步骤摘要】
本专利技术涉及图像分割，具体来说，涉及一种多尺度感知解耦的超声图像分割方法。
技术介绍
1、超声图像分割是一种重要的图像处理技术，尤其在医学成像领域中具有关键意义，这种技术涉及将超声图像中的不同组织或结构进行精确的识别和分离。基于多尺度感知解耦的超声图像分割是一种先进的图像处理技术，旨在提高超声图像分割的准确性和效率，特别是在处理复杂的医学图像时，这种方法通过在不同的尺度上捕获和处理图像信息，能够更好地理解和区分图像中的各种结构和细节。
2、多尺度感知指的是同时考虑图像在不同尺度(大小、分辨率)上的特征，从而能够捕捉从粗糙到精细的结构信息，这对于超声图像特别重要，因为超声图像中的组织结构在不同的尺度上展现出不同的特征。多尺度感知解耦在自然图像上的强大分割能力引发了广泛关注，并且一些研究人员将其成功的迁移到医学图像分割上。但是，由于分割掩码和提示信息的高度耦合性，使得分割结果极其容易受到不良提示的影响。同时，超声图像的模糊边界和目标的形状差异，给超声图像的目标分割带来了极大的挑战。
3、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种多尺度感知解耦的超声图像分割方法，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术方案如下：
3、一种多尺度感知解耦的超声图像分割方法，该多尺度感知解耦的超声图像分割方法包括：
4、将采集的超声图像输入至多
5、利用提示编码器对稀释提示进行映射得到图像提示特征嵌入；
6、将多尺度感知编码器特征嵌入和图像提示特征嵌入进行多层次融合，并对多层次融合结果进行特征增强，得到超声图像分割结果。
7、优选地，将采集的超声图像输入至多尺度感知编码器中，利用多尺度感知编码器生成超声图像中的多尺度感知编码器特征嵌入包括：
8、利用多尺度感知编码器中主干网络对超声图像进行初步编码处理，得到图像的全局上下文特征；
9、利用多尺度感知编码器中辅助网络提取超声图像中的细节特征，并对细节特征依次进行拼接及维度转换处理，得到超声图像的局部细节特征；
10、将局部细节特征融入至主干网络中进行微调，并在主干网络和辅助网络之间引入共振机制，实现特征图之间的协同优化。
11、优选地，利用多尺度感知编码器中主干网络对超声图像进行初步编码处理，得到图像的全局上下文特征包括：
12、在预定义的数据集上训练sam编码器，并利用sam编码器权重对多尺度感知编码器的主干网络进行初始化；
13、利用主干网络预定义的卷积层对超声图像进行初步编码处理；
14、初步编码后的超声图像经过若干包含窗口注意力和残差连接的视觉转换器后，得到图像的全局上下文特征。
15、优选地，利用多尺度感知编码器中辅助网络提取超声图像中的细节特征，并对细节特征依次进行拼接及维度转换处理，得到超声图像的局部细节特征包括：
16、采用预定的卷积模块对超声图像进行下采样，得到若干初始特征图；
17、将初始特征图作为形状边界自适应感知模块的输入，利用形状边界自适应感知模块捕捉初始特征图中的形状和边界信息，得到细节特征图；
18、对细节特征图依次进行通道拼接及维度转换，得到超声图像的局部细节特征。
19、优选地，利用形状边界自适应感知模块捕捉初始特征图中的形状和边界信息，得到细节特征图包括：
20、提取初始特征图中的形状信息权重，将形状信息权重与初始特征图作乘积运算后进行通道拼接，得到形状增强特征图；
21、利用滤波器锐化超声图像分割目标的边缘特征得到边缘特征图，并集成边缘特征图后与初始特征图进行通道拼接，得到边缘增强特征图；
22、将形状增强特征图与边缘增强特征图进行通道拼接，并结合广播机制生成最终增强特征图。
23、优选地，将形状增强特征图与边缘增强特征图进行通道拼接，并结合广播机制生成最终增强特征图包括：
24、将形状增强特征图与边缘增强特征图进行通道拼接得到融合特征图；
25、利用全局平均池化层对融合特征图依次进行特征抽象及升降维处理，得到增强注意力图；
26、计算通道维度权重，将增强注意力图与通道维度权重作乘积运算后，得到通道维度增强后的特征图；
27、获取每个通道维度上与通道维度增强后的特征图对应位置的平均值，并计算空间维度的权重；
28、结合广播机制将空间维度权重融合特征图相加得到最终增强特征图。
29、优选地，将局部细节特征融入至主干网络中进行微调，并在主干网络和辅助网络之间引入共振机制，实现特征图之间的协同优化包括：
30、将图像的全局上下文特征及局部细节特征分别与主干网络和辅助网络的权重作乘积运算，实现主干网络和辅助网络的特征共振；
31、将辅助网络提取的局部细节特征融入到主干网络的多头注意力模块中进行微调，生成多尺度感知编码器特征嵌入。
32、优选地，将辅助网络提取的局部细节特征融入到主干网络的多头注意力模块中进行微调，生成多尺度感知编码器特征嵌入包括：
33、结合局部细节特征计算得到键向量、值向量，并基于局部细节特征在进行窗口注意力和归一化处理后生成的主干特征计算查询向量；
34、基于键向量、值向量及查询向量，通过注意力机制计算得到融合特征；
35、将主干特征和融合特征进行残差连接，并加入至主干网络的多头注意力模块中生成最终融合特征；
36、将最终融合特征与全局上下文特征相加得到多尺度感知编码器特征嵌入。
37、优选地，将多尺度感知编码器特征嵌入和图像提示特征嵌入进行多层次融合，并对多层次融合结果进行特征增强，得到超声图像分割结果包括：
38、将多尺度感知编码器特征嵌入和图像提示特征嵌入输入至交叉注意力中得到掩码嵌入；
39、采用预定义的卷积模块对多尺度感知编码器特征嵌入、图像提示特征嵌入及掩码嵌入依次进行特征维度转换及权重提取；
40、基于权重提取结果计算背景注意力图，并将背景注意力图与多尺度感知编码器特征嵌入进行元素点乘后输入至空间注意力模块中进行特征增强；
41、将局部细节特征与图像提示特征嵌入进行通道拼接并输入至卷积模块中进行特征融合，并结合超声图像的纹理信息对超声图像分割；
42、将掩码嵌入与局部细节特征进行通道拼接后输入至上采样层中恢复特征图大小，得到超声图像分割结果。
43、优选地，超声图像分割结果的表达式为：
44、fo＝up(conv(sat((1-s(fk)⊙fma))+conv(fkθfc)))
45、式中，fo表示超声图像分割结本文档来自技高网...
【技术保护点】
1.一种多尺度感知解耦的超声图像分割方法，其特征在于，该多尺度感知解耦的超声图像分割方法包括：
2.根据权利要求1所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述将采集的超声图像输入至多尺度感知编码器中，利用多尺度感知编码器生成超声图像中的多尺度感知编码器特征嵌入包括：
3.根据权利要求2所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述利用多尺度感知编码器中主干网络对超声图像进行初步编码处理，得到图像的全局上下文特征包括：
4.根据权利要求3所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述利用多尺度感知编码器中辅助网络提取超声图像中的细节特征，并对细节特征依次进行拼接及维度转换处理，得到超声图像的局部细节特征包括：
5.根据权利要求4所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述利用形状边界自适应感知模块捕捉初始特征图中的形状和边界信息，得到细节特征图包括：
6.根据权利要求5所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述将形状增强特征图与边缘增强特征图进行
7.根据权利要求6所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述将局部细节特征融入至主干网络中进行微调，并在主干网络和辅助网络之间引入共振机制，实现特征图之间的协同优化包括：
8.根据权利要求7所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述将辅助网络提取的局部细节特征融入到主干网络的多头注意力模块中进行微调，生成多尺度感知编码器特征嵌入包括：
9.根据权利要求8所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述将多尺度感知编码器特征嵌入和图像提示特征嵌入进行多层次融合，并对多层次融合结果进行特征增强，得到超声图像分割结果包括：
10.根据权利要求9所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述超声图像分割结果的表达式为：
...【技术特征摘要】
1.一种多尺度感知解耦的超声图像分割方法，其特征在于，该多尺度感知解耦的超声图像分割方法包括：
2.根据权利要求1所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述将采集的超声图像输入至多尺度感知编码器中，利用多尺度感知编码器生成超声图像中的多尺度感知编码器特征嵌入包括：
3.根据权利要求2所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述利用多尺度感知编码器中主干网络对超声图像进行初步编码处理，得到图像的全局上下文特征包括：
4.根据权利要求3所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述利用多尺度感知编码器中辅助网络提取超声图像中的细节特征，并对细节特征依次进行拼接及维度转换处理，得到超声图像的局部细节特征包括：
5.根据权利要求4所述的一种多尺度感知解耦的超声图像分割方法，其特征在于，所述利用形状边界自适应感知模块捕捉初始特征图中的形状和边界信息，得到细节特征图包括：
6.根...
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。