【技术实现步骤摘要】
本专利技术涉及医学图像分割领域，具体为一种混合结构的医学图像分割系统。
技术介绍
1、医学图像分割技术在医疗影像分析领域扮演着至关重要的角色，它能够将图像中的特定区域(例如肿瘤、器官等)从背景中分离出来。这一技术对于医生进行精确诊断和制定治疗方案至关重要，并且为后续的图像处理工作打下了基础。随着ct、mri、超声等医学影像技术的快速发展，图像的数量和复杂性不断增加，这也推动了对高效自动分割算法的需求。
2、深度学习的进步，尤其是卷积神经网络(cnn)的运用，极大地提升了医学图像分割的准确性和效率。基于深度学习的模型，例如u-net、fcn和transunet，已经在多种医学图像分割任务中显示出了广泛的应用价值。这些模型通过分析大量标注数据来学习特征，实现对目标区域的精确识别和分割。为了提升分割效果，研究者们还开发了多种增强技术和后处理方法。尽管取得了一定的进展，医学图像分割在实际应用中仍面临挑战，比如患者间图像质量的差异、肿瘤的多样性以及不同应用场景下的需求。因此，开发出更高性能和鲁棒性的分割模型成为了医学图像分割研究的一个重点，这对于提高模型的实际应用效果和支持个性化医疗及精准治疗具有重要意义。
3、目前，u型架构的医学图像分割框架，尤其是基于cnn的u-net，因其在捕捉局部特征方面的有效性而成为主流。然而，cnn在理解全局上下文方面存在不足，特别是在处理需要长距离依赖的任务时。视觉transformer通过自注意力机制能够处理长距离依赖问题，但其计算复杂度较高，尤其在处理大规模数据时，可能会导致显著
4、因此，期望一种混合结构的医学图像分割系统。将卷积神经网络、transformer以及高效通道注意力模块的优点结合起来，组成混合模型。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种混合结构的医学图像分割系统，最大限度地提高分割精度，为医学图像分割领域提供高效的方法。
2、根据本申请的一个方面，提供了一种混合结构的医学图像分割系统，其包括：数据处理模块，用于准备待分割医疗图像数据集synapse，数据集分为训练集和测试集两个部分；浅层特征提取模块，用于将预处理好的训练集输入到编码器中三层卷积神经网络部分进行浅层特征提取；高效通道注意力模块，用于将提取到的特征图输入到高效通道注意力模块，以得到高分辨率特征图；深层特征处理模块，用于使所述高分辨率特征图输入到transformer，对深层特征进行处理，解码器部分的卷积神经网络对深层特征进行上采样操作；预测分割模块，用于经过多轮训练后，得到训练后的权重文件，将训练后的权重文件和测试集进行推理测试，以得到最终的预测分割结果。
3、本申请实施例提供的混合结构的医学图像分割系统，引入了高效通道注意力模块，能够更精确地筛选和增强关键特征，提高模型在处理复杂结构和细节方面的表现，通过在跳跃连接中结合通道注意力，模型能够更好地保留编码器的特征信息，提升解码器的重建能力，从而增强分割结果的准确性。
4、优选地，所述数据处理模块，将训练集中的图像进行预处理，包括：将训练集中的图像尺寸重新调整为224×224像素，并进行数据增强，包括随机翻转、旋转、缩放以及添加高斯噪声。
5、优选地，所述浅层特征提取模块，包括：将图像输入到模型编码器的卷积神经网络部分，该部分由resnet-50的三个卷积块组成，卷积块包括卷积操作、激活函数、批量归一化；其中，激活函数为relu，公式为：f(x)＝max(0,x)，当x>0时，输出为x；当x≤0时，输出为0；输入的形状为(b，c，h，w)，其中b是批量大小，c是通道数，h和w分别是图像的高度和宽度。
6、优选地，所述高效通道注意力模块，包括：输入特征首先进入二维卷积块一，将通道数减少到原来的1/16，随后进入一个自适应平均池化层，将输入特征图的空间维度缩减到1x1，接着，使用一维卷积层和sigmoid激活函数生成通道注意力权重，在前向传播过程中，输入特征经过池化、转置、卷积和激活操作后，再与原始输入特征进行逐元素相乘，得到带有注意力机制的输出，最后利用卷积核为1×1二维卷积块2将通道恢复到输入前的通道大小。
7、优选地，所述深层特征处理模块，包括：在transformer中，特征图首先经过线性变换，以调整其维度，适配自注意力机制的要求，接着，模型通过自注意力机制评估特征之间的关系，利用查询(query)、键(key)和值(value)三个部分计算每个位置的重要性，每个位置的查询与所有键进行点积，得到注意力权重，并通过softmax进行归一化处理，增强后的特征被送入前馈神经网络，进一步进行非线性转换和特征表达。
8、优选地，所述深层特征处理模块，进一步包括：在经过transformer对深层特征进行处理后，解码器部分的卷积神经网络(cnn)负责对这些经过增强的特征进行上采样操作，解码器采用了一系列转置卷积和上采样层，还通过卷积操作融合周围像素的信息，从而提高图像的细节和清晰度，解码器利用跳跃连接，将编码器中对应层的特征与解码器的特征图结合。
9、优选地，所述预测分割模块，包括：s51.不断优化损失函数，调整模型参数，使得预测结果与真实标签之间的差异最小化；s52.通过加载权重并将测试图像输入模型，进行前向传播，模型根据其学习到的特征对每个像素进行分类,得到的预测分割结果将用于评估模型的性能，使用dice相似性系数(dsc)和95％ hausdorff距离(hd95)作为评估标准。
10、优选地，所述优化损失函数单元，模型的损失函数由两个主要部分组成，包括：交叉熵损失函数和dice损失函数；所述交叉熵损失函数公式如下：
11、
12、其中，n是样本数量，c是类别数量，yi,c是样本i在类别c上的真实标签，pi,c是模型输出的样本i在类别c的预测概率；
13、在损失计算中，dice损失函数表示为：
14、
15、x表示模型的预测分割结果，y表示真实标签，∈表示一个很小的常数，防止分母为零；
16、最终的损失函数是交叉熵损失和dice损失的加权组合，公式如下：
17、loss＝0.5×lossdice+0.5×lossce
18、其中，0.5作为系数，平衡不同损失项的影响力。
19、优选地，所述评估性能单元，dice相似系数公式如下：
20、
21、其中，x表示模型的预测分割结果，y表示真实标签，|x∩y|表示预测结果与真实标签重叠部分的像素数量，|x|和|y|分别是预测结果和真实标签中所有正样本的像素数量本文档来自技高网...
【技术保护点】
1.一种混合结构的医学图像分割系统，其特征在于，包括：
2.根据权利要求1所述混合结构的医学图像分割系统，其特征在于，所述数据处理模块，将训练集中的图像进行预处理，包括：将训练集中的图像尺寸重新调整为224×224像素，并进行数据增强，包括随机翻转、旋转、缩放以及添加高斯噪声。
3.根据权利要求2所述混合结构的医学图像分割系统，其特征在于，所述浅层特征提取模块，包括：将图像输入到模型编码器的卷积神经网络部分，该部分由ResNet-50的三个卷积块组成，卷积块包括卷积操作、激活函数、批量归一化；
4.根据权利要求3所述混合结构的医学图像分割系统，其特征在于，所述高效通道注意力模块，包括：输入特征首先进入二维卷积块一，将通道数减少到原来的1/16，随后进入一个自适应平均池化层，将输入特征图的空间维度缩减到1x1，接着，使用一维卷积层和Sigmoid激活函数生成通道注意力权重，在前向传播过程中，输入特征经过池化、转置、卷积和激活操作后，再与原始输入特征进行逐元素相乘，得到带有注意力机制的输出，最后利用卷积核为1×1二维卷积块2将通道恢复到输入前的通道
5.根据权利要求4所述混合结构的医学图像分割系统，其特征在于，所述深层特征处理模块，包括：在Transformer中，特征图首先经过线性变换，以调整其维度，适配自注意力机制的要求，接着，模型通过自注意力机制评估特征之间的关系，利用查询(Query)、键(Key)和值(Value)三个部分计算每个位置的重要性，每个位置的查询与所有键进行点积，得到注意力权重，并通过softmax进行归一化处理，增强后的特征被送入前馈神经网络，进一步进行非线性转换和特征表达。
6.根据权利要求5所述混合结构的医学图像分割系统，其特征在于，所述深层特征处理模块，进一步包括：在经过Transformer对深层特征进行处理后，解码器部分的卷积神经网络(CNN)负责对这些经过增强的特征进行上采样操作，解码器采用了一系列转置卷积和上采样层，还通过卷积操作融合周围像素的信息，从而提高图像的细节和清晰度，解码器利用跳跃连接，将编码器中对应层的特征与解码器的特征图结合。
7.根据权利要求6所述混合结构的医学图像分割系统，其特征在于，所述预测分割模块，包括：
8.根据权利要求7所述混合结构的医学图像分割系统，其特征在于，所述优化损失函数单元，模型的损失函数由两个主要部分组成，包括：交叉熵损失函数和Dice损失函数；
9.根据权利要求8所述混合结构的医学图像分割系统，其特征在于，所述评估性能单元，Dice相似系数公式如下：
...【技术特征摘要】
1.一种混合结构的医学图像分割系统，其特征在于，包括：
2.根据权利要求1所述混合结构的医学图像分割系统，其特征在于，所述数据处理模块，将训练集中的图像进行预处理，包括：将训练集中的图像尺寸重新调整为224×224像素，并进行数据增强，包括随机翻转、旋转、缩放以及添加高斯噪声。
3.根据权利要求2所述混合结构的医学图像分割系统，其特征在于，所述浅层特征提取模块，包括：将图像输入到模型编码器的卷积神经网络部分，该部分由resnet-50的三个卷积块组成，卷积块包括卷积操作、激活函数、批量归一化；
4.根据权利要求3所述混合结构的医学图像分割系统，其特征在于，所述高效通道注意力模块，包括：输入特征首先进入二维卷积块一，将通道数减少到原来的1/16，随后进入一个自适应平均池化层，将输入特征图的空间维度缩减到1x1，接着，使用一维卷积层和sigmoid激活函数生成通道注意力权重，在前向传播过程中，输入特征经过池化、转置、卷积和激活操作后，再与原始输入特征进行逐元素相乘，得到带有注意力机制的输出，最后利用卷积核为1×1二维卷积块2将通道恢复到输入前的通道大小。
5.根据权利要求4所述混合结构的医学图像分割系统，其特征在于，所述深层特征处理模块，包括：在transformer中，...
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。