[发明专利]一种基于分离-挤压-瓶颈-联合编解码器的息肉图像分割技术

说明书

本发明提供了一种基于分离‑挤压‑瓶颈‑联合编解码器的息肉图像分割技术，以下步骤：步骤1:对于给定的的息肉图像，从基于res2net()主干网中提取五个层级的特征；将特征分为低层特征和高层特征；步骤2:使用带有分离‑挤压‑瓶颈‑联合编码器对不同层级进行编码；步骤3:在编码阶段，使用编码器对不同层级特征进行融合;步骤4:在细化阶段，使用分离‑挤压‑瓶颈‑联合块编码器提取的信息对初始预测图逐级地细化特征；步骤5:在整个网络的训练中，采用交叉熵损失函数和交并比损失函数来指导网络的学习;应用本技术方案可实现从不同的角度挖掘几何上下文信息，同时计算通道相关关系，增强特征的表征能力，以解决息肉分割问题。

技术领域

本发明涉及计算机视觉技术领域，特别是一种基于分离-挤压-瓶颈-联合编解码器的息肉图像分割技术。

背景技术

图像分割是计算机视觉一项重要的研究领域。息肉分割是图像分割方法在特定领域的应用研究之一。息肉分割是一项像素级的任务，它根据图像中的上下文对每个像素进行分类。息肉分割任务应用于医学图像分析，为临床诊断和病理研究、病理研究提供了有价值的信息。

息肉分割研究在医学上具有一定的价值，但是精准的分割息肉具有一定的难度。首先，息肉与周围组织相似，算法不容易识别出息肉；其次，同一类型的息肉，其大小、颜色和纹理存在差别，算法不容易学习得到息肉的特征。因此，息肉分割方法通常侧重于提取特征。

早期传统方法提取颜色、形状、纹理和外观特征时，主要采用人工设计的特征，比如Mamonov(AlexanderV.Mamonov,Isabel N.Figueiredo,Pedro N.Figueiredo and Yen-Hsi Richard Tsai.Automated polyp detection in colon capsule endoscopy.IEEETransactions on Medical Imaging,vol.33,no.7,pp.1488–1502,2014)等人的方法和Tajbakhsh(Nima Tajbakhsh,Suryakanth R Gurudu,and Jianming Liang.Automatedpolyp detection in colonoscopy videos using shape and contextinformation.IEEE Transactions on Medical Imaging,vol.35,no.2,pp.630–644,2015.)等人的方法。然而，由于人工设计特征的表征能力有限，这些方法往往有很高的漏检率。因此，息肉分割逐渐从传统的方法发展到深度学习方法。

近年来，基于编解码结构的深度神经网络方法，比如U-Net(Ronneberger,Olaf,Philipp Fischer,and Thomas Brox.U-net:Convolutional networks for biomedicalimage segmentation.International Conference on Medical image Computing andComputerAssisted Intervention.2015)及其变体，因其具有对不同层次特征的语义信息和空间细节的融合能力而被广泛应用。对于U-Net结构，编码器块从输入图像中提取特征映射，解码器块优化编码器的特征并设计息肉分割任务。U-Net直接采用简单跳跃连接融合特征映射。U-Net中的简单跳过连接可能会降低分割性能。U-Net及其变体一般在解码器中使用简单的加法或串联操作，逐步融合不同层次的特征。在特征融合过程中，这两种操作往往会产生大量的冗余信息，这将削弱真正有用的特征和抑制不同层级特征特异性表达，导致得到特征图细节不准确，边界模糊。因此如何有效提取特征和融合特征具有较大的挑战性。

发明内容

有鉴于此，本发明的目的在于提供一种基于分离-挤压-瓶颈-联合编解码器的息肉图像分割技术，实现从不同的角度挖掘几何上下文信息，同时计算通道相关关系，增强特征的表征能力，以解决息肉分割问题。