[发明专利]MCSLI图像中条纹损伤的分割方法

权利要求书

1.一种MCSLI图像中条纹损伤的分割方法，其特征在于，包括以下步骤：

S1)构建基于U-Net网络的融合型图像分割网络模型；

所述U-Net网络包括编码网络和解码网络，所述编码网络包括多个编码器，所述解码网络包括多个解码器，所述编码器和所述解码器一一对应，所述编码器和相应的所述解码器之间设置有注意力门控模块，所述注意力门控模块用于对解码器的输入特征图中的前景和背景分别赋予权重后再输出至解码器，赋予所述前景的权重大于赋予所述背景的权重；

构建所述融合型图像分割网络模型时，在所述编码网络和解码网络之间设置信息融合模块，所述信息融合模块用于提取多尺度上下文信息和全局上下文信息，并将多尺度上下文信息和全局上下文信息进行融合；

S2)选取多个MCSLI图像构成训练数据集，并将所述训练数据集输入至步骤1)中构建的所述融合型图像分割网络模型中进行训练，并根据训练结果优化所述融合型图像分割网络模型；

S3)将待处理的MCSLI图像输入至步骤S2)中优化后的融合型图像分割网络模型中进行条纹损伤的分割；

所述编码器和解码器的输出端均设置有通道注意力模块，所述通道注意力模块用于对分割任务响应大的特征通道增大权重，而对分割任务响应小的特征通道减小权重；

所述信息融合模块包括全局上下文模块、多尺度上下文模块和特征融合模块；

所述全局上下文模块，用于从编码网络输出的特征图中捕捉具有高级语义信息的全局上下文信息，并将捕捉到的全局上下文信息输入到所述多尺度上下文模块；

所述多尺度上下文模块，用于接收所述全局上下文模块输出的全局上下文信息，并从全局上下文信息中获取多尺度上下文信息，然后将全局上下文信息和多尺度上下文信息输出至所述特征融合模块；

所述特征融合模块，用于接收所述多尺度上下文模块输出的全局上下文信息和多尺度上下文信息，并将接收到的全局上下文信息和多尺度上下文信息进行融合形成另一特征图并输出至解码网络；

经所述特征融合模块输出的特征图还需要和编码网络输出的特征图进行加权结合处理，经加权结合处理后特征图再输出至解码网络。

2.如权利要求1所述的MCSLI图像中条纹损伤的分割方法，其特征在于，所述全局上下文模块包括上下文建模模块和特征转换模块；

所述上下文建模模块，用于计算编码网络输出的特征图的特征权重，并将计算出的特征权重和编码网络输出的特征图相乘，从而获得一个全局上下文特征并输出至所述特征转换模块；

所述特征转换模块，用于将所述上下文建模模块输出的全局上下文特征和编码网络输出的特征图的所有特征通道的特征进行融合而得到全局上下文信息，并将得到的全局上下文信息输入到所述多尺度上下文模块。

3.如权利要求1所述的MCSLI图像中条纹损伤的分割方法，其特征在于，所述多尺度上下文模块由多个不同膨胀率的膨胀卷积并行组成。

4.如权利要求3所述的MCSLI图像中条纹损伤的分割方法，其特征在于，所述多尺度上下文模块中多个不同膨胀率的膨胀卷积采用共享权值。

5.如权利要求1所述的MCSLI图像中条纹损伤的分割方法，其特征在于，所述步骤S2)中根据训练结果优化所述融合型图像分割网络模型时，采用损失函数对所述融合型图像分割网络模型进行优化，所述损失函数为Dice系数损失函数和交叉熵损失函数相加之和。

6.如权利要求1所述的MCSLI图像中条纹损伤的分割方法，其特征在于，所述步骤S2)中训练数据集中包含多个经数据增强处理的MCSLI图像，数据增强处理方式为：对MCSLI图像进行翻转、旋转或增加高斯噪声处理。