【技术实现步骤摘要】
本专利技术涉及基于深度学习网络高效且参数更低的医学图像roi区域提取方法、系统，属于医学图像处理。
技术介绍
1、在计算机辅助诊断领域，医学图像分割技术是提高诊断准确性和效率的关键。目前，许多研究致力于提升分割算法的性能，旨在通过深度学习方法来提高模型对医学图像的处理能力。以kvasir-seg数据集为例，其图像来源于临床结肠镜检查，对于早期结肠癌的诊断至关重要。而目前深度学习在医学图像分割方面的研究主要采用基于u-net及其变体的网络结构，这些结构虽然在图像分割方面取得了一定的成果，但仍存在参数量大、计算复杂度高等问题。因此，本专利技术提供基于深度学习网络高效且参数更低的医学图像roi区域提取方法。
技术实现思路
1、为了解决现有方法的不足，本专利技术针对现有深度学习网络模型参数量大、计算复杂度较高等问题，提供了基于深度学习网络高效且参数更低的医学图像roi区域提取方法，提出了一种轻量化且高效的深度学习模型emis-net，该模型通过调整编解码的阶段计算比和引入轻量化模块，有效提升了分割精度并降低了模型复杂性。
2、本专利技术的技术方案是：基于深度学习网络高效且参数更低的医学图像roi区域提取方法，所述方法包括：
3、step1、获取医学图像，并对医学图像进行预处理；
4、step2、将预处理后的医学图像输入构建好的深度学习模型，在深度学习模型中使用特征提取模块(lgfe)，提取医学图像中的细节和轮廓信息；
5、step3、利用信息
6、step4、利用解码器对压缩后的医学图像提取不同尺度的特征；
7、step5、通过高效特征聚合模块(efam)对不同尺度的特征进行融合，增强模型对细节和上下文的理解；
8、step6、将融合后的特征图输入卷积模块(outconv)，进行最终的医学图像分割处理，实现医学图像中病灶区域的精确分割。
9、进一步地，所述step1中，将医学图像的原始图以病灶为中心进行裁剪，裁剪后的尺寸为256×256大小，在输入进深度学习模型前对医学图像进行随机翻转和旋转。
10、进一步地，所述step2中的特征提取模块包括两个分支；
11、在第一条分支中引入ghost模块主要是为了解决卷积模块导致的冗余信息和模型参数过多的问题，并且ghost模块能够在不大幅增加参数数量的情况下，增加网络的宽度和深度，使得模型可以更高效地利用有限的计算资源；在得到ghost模块的输出后结合ca注意力机制可以提高对病灶的定位，这样可以提高分割的精度；
12、在第二条分支中引入膨胀卷积，这样可以在不增加内存开销和计算开销的同时扩大感受野，以获取更丰富的上下文信息；
13、将第一条分支的输入依次经过卷积核大小为5×5的深度可分离卷积(dwconv)、批归一化(batch normalization)、激活函数(gelu)、ghost模块、ca块、批归一化(batchnormalization)处理得到第一条分支的输出；
14、将第二条分支的输入经过一个卷积核大小为1×1，膨胀率为7的卷积处理得到第二条分支的输出；
15、将第一条分支的输出结果和第二条分支的输出结果进行相加(addition)，然后在经过一个激活函数(gelu)得到最终的输出特征。
16、进一步地，所述step3中，信息压缩模块(icm)主要为一种窄宽窄的结构，这样在第二个卷积层增加了特征映射的维度，有助于网络学习到更复杂的特征，在第三个卷积层将扩展的特征映射压缩回原始维度，有助于网络聚焦最重要的特征，同时还可以减少计算量，提高网络的效率和性能。
17、step3包括：
18、对输入信息压缩模块的特征进行第一次卷积提取特征；
19、将第一次卷积提取的特征进行第二次卷积变为原来通道数的4倍后再提取特征；
20、将第二次卷积提取的特征进行第三次卷积降回原来的通道数后再提取特征；
21、三次卷积得到的结果进行批归一化层处理后的特征和原始输入信息压缩模块的特征相加，相加的结果经过激活函数gelu激活后得到最终的输出。
22、进一步地，所述step4中，所述解码器的结构和step2中的特征提取模块相同。
23、进一步地，所述step5中，高效特征聚合模块efam中主要采用大小为1×1卷积核和不同的膨胀率；1×1卷积核的参数量小，计算复杂度低，并且不同的膨胀率在扩大感受野的同时也不会引入额外的参数消耗和计算量；
24、step5包括：
25、step5.1、高效特征聚合模块efam的输入分别经过并行的三条使用不同膨胀率卷积核大小为1×1的卷积层进行处理，分别输出结果；
26、step5.2、三条分支的输出结果进行拼接，得到拼接后的结果；
27、step5.3、将拼接后的结果输入一个卷积核大小为1×1的卷积层得到最终的输出。
28、所述step6中，将融合后的特征图输入卷积模块(outconv)，进行最终的图像分割处理，实现医学图像中病灶区域的精确分割。
29、本专利技术还提供基于深度学习网络高效且参数更低的医学图像roi区域提取系统，包括：用于执行上述基于深度学习网络高效且参数更低的医学图像roi区域提取方法的模块。
30、本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于深度学习网络高效且参数更低的医学图像roi区域提取方法。
31、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述基于深度学习网络高效且参数更低的医学图像roi区域提取方法。
32、本专利技术还提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述基于深度学习网络高效且参数更低的医学图像roi区域提取方法。
33、本专利技术的有益效果是：
34、1、本专利技术提出了一种轻量化且高效的深度学习模型emis-net，用于医学图像分割，通过结合特征提取模块lgfe、信息压缩模块icm和高效特征聚合模块efam，有效提升了分割精度并降低了模型复杂性，提高了计算效率；
35、2、本专利技术中emis-net模型通过特征提取模块lgfe提取图像中的细节和轮廓信息，通过信息压缩模块icm减少信息在编解码过程中的丢失，通过高效特征聚合模块efam充分利用提取的特征信息，从而在多个数据集上实现了卓越的分割性能，包括kvasir-seg、isic2018和glas数据集；
36、3、本专利技术的emis-net模型通过优化网络结构和计算比，减少了模型的参数量和计算复杂度，使得模型更加适合于本文档来自技高网...
【技术保护点】
1.基于深度学习网络高效且参数更低的医学图像ROI区域提取方法，其特征在于：所述方法包括：
2.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像ROI区域提取方法，其特征在于：所述Step1中，将医学图像以病灶为中心进行裁剪，在输入进深度学习模型前对医学图像进行随机翻转和旋转。
3.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像ROI区域提取方法，其特征在于：所述Step2中的特征提取模块包括两个分支；Step2包括：
4.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像ROI区域提取方法，其特征在于：所述Step3包括：
5.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像ROI区域提取方法，其特征在于：所述Step4中，所述解码器的结构和Step2中的特征提取模块相同。
6.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像ROI区域提取方法，其特征在于：所述Step5包括：
7.基于深度学习网络高效且参数更低的医学图像ROI区域提取系统，其特征
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于深度学习网络高效且参数更低的医学图像ROI区域提取方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习网络高效且参数更低的医学图像ROI区域提取方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习网络高效且参数更低的医学图像ROI区域提取方法。
...【技术特征摘要】
1.基于深度学习网络高效且参数更低的医学图像roi区域提取方法，其特征在于：所述方法包括：
2.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像roi区域提取方法，其特征在于：所述step1中，将医学图像以病灶为中心进行裁剪，在输入进深度学习模型前对医学图像进行随机翻转和旋转。
3.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像roi区域提取方法，其特征在于：所述step2中的特征提取模块包括两个分支；step2包括：
4.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像roi区域提取方法，其特征在于：所述step3包括：
5.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像roi区域提取方法，其特征在于：所述step4中，所述解码器的结构和step2中的特征提取模块相同。
6.根据权利要求1所述的基于深度学习网络高效且参数更低的医学图像roi区...
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。