[发明专利]一种基于边界引导的息肉图像分割方法

权利要求书

1.一种基于边界引导的息肉图像分割方法，其特征在于，包括：

构建息肉图像分割模型；

将待分割的息肉图像输入息肉图像分割模型中，得到各个侧输出的区域预测图P_R4-P_R1和边界预测图P_B4-P_B1，并将其上采样至与待分割的息肉图像相同的分辨率，得到区域预测图和边界预测图

利用交叉熵损失函数计算区域预测图边界预测图与真实标注图之间的误差，并将误差进行反向传递以更新息肉图像分割模型参数，以训练息肉图像分割模型；

将待分割的息肉图像输入至训练好的息肉图像分割模型中，将残差细化译码器A输出的区域预测图通过一个Sigmoid层归一化至(0,1)，再恢复原图像分辨率后输出为最终的分割结果。

2.如权利要求1所述的基于边界引导的息肉图像分割方法，其特征在于，所述构建息肉图像分割模型包括：

以Res2Net-50为骨干网络，将骨干网络是layerB～layerE作为侧输出特征F_t(t＝1,2,3,4),分别送入残差细化译码器A～C和初始定位译码器，其中，t表示骨干网络的侧输出级数，t＝1～4对应骨干网络layerB～E的侧输出级；

通过初始定位译码器检测息肉组织的初始粗位置，且该初始定位译码器的输出结果图的分辨率为原图像的1/32；

通过残差细化译码器A～C修复息肉组织的初始粗位置中丢失的目标部分，并细化边界细节。

3.如权利要求2所述的基于边界引导的息肉图像分割方法方法，其特征在于，初始定位译码器的工作过程包括：

通过初始定位译码器将输入特征F₄送入一个1×1卷积层，将通道数降为64，得到输入特征x⁴，卷积层的参数为{2048，64，1×1}，其中，{in_channel，out_channel，k×k}的in_channel表示输入特征的通道数，out_channel表示输出特征的通道数，k表示卷积核大小，卷积层后附有一个批归一化层BatchNorm和一个非线性激活层ReLU；

将输入特征x⁴输入至一个分层分裂卷积HSC，得到息肉组织的边界特征

而后经过一个卷积层将通道数降为1，卷积参数为{64，1，3×3}，卷积层后附有一个批归一化层BatchNorm和一个非线性激活层ReLU，得到该初始定位译码器的初始边界预测图

其中，HSC(·)表示分层分裂卷积操作，Conv_3×3(·)表示3×3卷积层；

将息肉组织的边界特征与输入特征x⁴沿通道维度拼接，进行边界-区域引导学习，再输入4个卷积层中学习区域特征，卷积参数依次为{128,64,3×3}、{64,64,3×3}、{64,64,3×3}、{64,1,3×3}，卷积层后都附有一个批归一化层BatchNorm和一个非线性激活层ReLU，最后输出初始定位译码器的区域预测图

其中，Cat(·)表示沿通道维度进行拼接操作。

4.如权利要求2或3所述的基于边界引导的息肉图像分割方法，其特征在于，残差细化译码器A～C的工作过程包括：

将输入特征F₁～F₃输入一个1×1卷积层把通道数降为64，得到输入特征x^t,(t＝[1,2,3])，卷积参数为{in_channel，64，1×1}，卷积层后附有一个批归一化层BatchNorm和一个非线性激活层ReLU，再将其分别送入边界分支和区域分支中进行残差修正。