[发明专利]一种融合多尺度特征和注意力机制的医学图像分割方法

权利要求书

1.一种融合多尺度特征和注意力机制的医学图像分割方法，其特征在于，包括以下步骤：

步骤S1，将U-Net作为骨干网络，基于编码器-解码器结构构建医学图像分割模型，所述医学图像分割模型具有编码器、解码器、多尺度特征提取模块以及注意力模块；

步骤S2，将待分割图像输入至所述医学图像分割模型，基于所述编码器对所述待分割图像进行编码得到特征图E；

步骤S3，基于所述多尺度特征提取模块对所述待分割图像进行特征提取获取多种尺度信息的低级特征图M；

步骤S4，将所述低级特征图M以及所述特征图E分别作为低级特征以及高级特征输入至所述注意力模块得到整合了局部信息与全局信息关系的特征图A；

步骤S5，将所述特征图A输入至所述解码器进行上采样处理，获取与所述待分割图像对应的分割结果。

2.根据权利要求1所述的一种融合多尺度特征和注意力机制的医学图像分割方法，其特征在于：

其中，所述编码器-解码器结构包括4层编码层以及4层解码层，

所述编码层由卷积层、池化层以及激活函数组成，

所述编码层对所述待分割图像进行编码的过程表示为：

Ei＝Sigmoid(Pooling(Conv(Input)))

式中，Conv、Pooling、Sigmoid分别表示卷积操作、池化操作和激活函数的处理，Input表示该层编码层的输入，Ei表示每一层所述编码层的输出特征图，其中，i＝1,2,3,4。

3.根据权利要求2所述的一种融合多尺度特征和注意力机制的医学图像分割方法，其特征在于：

其中，所述步骤S3包括以下子步骤：

步骤S3-1，将所述待分割图像输入至所述多尺度特征提取模块进行下采样得到4个尺寸不同的特征图；

步骤S3-2，通过卷积层缩减所述4个尺寸不同的特征图的特征维度并进行上采样，获取恢复至所述待分割图像的尺寸的特征图P：

P＝Upsample(Conv(Pooling(Input)))

式中，Upsample表示上采样操作；

步骤S3-3，将所述特征图P与所述待分割图像进行融合拼接获取特征图C：

C＝Concat(P,Input)

式中，Concat表示拼接操作；

步骤S3-4，将所述特征图C进行一次卷积得到所述低级特征图M：

M＝Conv(C)。

4.根据权利要求3所述的一种融合多尺度特征和注意力机制的医学图像分割方法，其特征在于：

其中，将所述低级特征记为Xl，所述高级特征记为Xh，

所述步骤S4包括以下子步骤：

步骤S4-1，将高级特征Xh进行一次卷积得到特征Xh′：

Xh′＝Conv(Xh)；

步骤S4-2，将低级特征Xl与所述特征Xh′做矩阵乘并进行归一化操作，得到注意力权重图X_am：

X_am＝softmax(Xl(Xh′)^T)

式中，softmax表示归一化操作；

步骤S4-3，基于所述注意力权重图X_am对所述特征Xh′进行特征提取的指导，获取特征图Xh″：

Xh″＝X_amXh′；

步骤S4-4，将所述特征图Xh″与所述特征Xh′拼接并进行一次卷积得到所述特征图A：

A＝Conv(Concat(Xh″，Xh′))。

5.根据权利要求4所述的一种融合多尺度特征和注意力机制的医学图像分割方法，其特征在于：

其中，所述步骤S5为：

每层所述解码层的输入由上一解码层的输出和对应编码层的输出进行跳跃连接而构成，其中每层所述解码层包括对输入进行Dropout操作、卷积操作以及上采样操作：

Di＝Upsample(Conv(Dropout(Concat(Input，Ei))))

式中，表示Di表示每层所述解码层的输出特征图，其中，i＝1,2,3,4。