[发明专利]多尺度特征融合的肠道镜图像分割算法

说明书

本发明涉及肠道镜技术领域，尤其是指多尺度特征融合的肠道镜图像分割算法，包括ResNet50主干提取网络、金字塔特征提取模块PFEM和多比例融合模块MPFM，ResNet50主干提取网络用于从肠道镜图像中提取多尺度息肉特征；金字塔特征提取模块PFEM用于扩大感受野，提取多尺度的细节信息；多比例融合模块MPFM通过输入次数来调节不同特征权重，对经过处理的深、浅层特征进行不同比例的融合，可以强化息肉区域，提高边缘的分割精度，使网络在复杂环境下表现更好。本发明通过采用ResNet50主干提取网络、金字塔特征提取模块PFEM和多比例融合模块MPFM，可以更好的分辨肠道内的息肉。

技术领域

本发明涉及肠道镜技术领域，尤其涉及多尺度特征融合的肠道镜图像分割算法。

背景技术

目前肠道息肉分割的方法主要有：传统的结肠息肉图像分割方法和基于深度学习的肠道息肉分割方法。传统的结肠息肉图像分割方法是基于底层特征，只考虑单一特征，分割精度不高。基于深度学习的方法能提取更深层的特征，但由于肠道息肉大小不一，且背景噪声大，导致息肉边缘分割不精确，甚至小息肉分割不出来。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的多尺度特征融合的肠道镜图像分割算法。

为了实现上述目的，本发明采用了如下技术方案：多尺度特征融合的肠道镜图像分割算法，包括ResNet50主干提取网络、金字塔特征提取模块PFEM和多比例融合模块MPFM，其特征在于：所述ResNet50主干提取网络用于从肠道镜图像中提取多尺度息肉特征；所述金字塔特征提取模块PFEM用于扩大感受野，提取多尺度的细节信息；所述多比例融合模块MPFM通过输入次数来调节不同特征权重，对经过处理的深、浅层特征进行不同比例的融合，可以强化息肉区域，提高边缘的分割精度，使网络在复杂环境下表现更好。

作为上述技术方案的进一步描述：

所述ResNet50主干提取网络输出由低级到高级的四个尺度的特征图X1、X2、X3和X4。

作为上述技术方案的进一步描述：

所述金字塔特征提取模块PFEM提取纹理和颜色细节信息。

作为上述技术方案的进一步描述：

所述金字塔特征提取模块PFEM包括第一部分和第二部分，所述第一部分是一个卷积块，用一个3×3卷积提取特征后经过SiLU激活函数后再用一个1×1卷积调整通道；所述第二部分将ASPP结构中的扩张率为r＝24的空洞卷积的分支去掉，将4条分支改进为3条分支作为模块，用三个不同扩张率的并行空洞卷积完成多个不同尺度的特征提取，不同扩张率的空洞卷积可以改善浅层网络感受野比较小的问题，同时确保了能捕获更多细节，而不需要太多的计算量，最后将这两部分的结果进行拼接输出。

作为上述技术方案的进一步描述：

所述多比例融合模块MPFM来融合经过处理的深、浅层特征，已经处理过的第一、二、三、四层特征图A、B、C、D，在第一部分中，对特征图D进行上采样和卷积得到的D1、D2、D3和D4，把得到的D2乘上C，再与D1连接，并通过卷积层来平滑拼接特征，得到第一部分的特征映射C3；第二部分中，把特征图C进行上采样和卷积层得到C1和C2,并把C1与D3、B相乘得到第二部分的特征映射B2，并把B2和C3的特征进行拼接，再经过一个3×3卷积得到深层特征融合的结果T2；第三部分把特征图B上采样后经过一个卷积层得到的B1与C2、D4、A相乘得到第三部分的特征映射A2，并把A2与深层特征融合的结果T2进行拼接，再经过一个3×3卷积进行平滑拼接特征和通道数的调整得到最终输出深、浅层特征融合的结果T1。

作为上述技术方案的进一步描述：