[发明专利]一种基于变形的非局部网络医学图像分割方法及系统

权利要求书

1.一种基于变形的非局部网络医学图像分割方法，其特征在于：

将医学图像输入预先构建的特征提取模块，所述特征提取模块输出缩小的特征图；

将缩小的特征图输入预先构建的特征解码模块，所述特征解码模块将缩小的特征图恢复到原始医学图像的大小；

将恢复后的特征图输入softmax分类器进行特征分割，分割出目标特征区域。

2.根据权利要求1所述的一种基于变形的非局部网络医学图像分割方法，其特征在于：特征解码模块将缩小的特征图恢复到原始医学图像的大小的方法包括：将特征图的每个特征经过了三次扩张卷积和一次卷积核大小为1×1的卷积，三次扩张率分别是6，12，12，然后得到的特征都经过压缩与解压得到新的特征，最后把新的特征和原始的输入特征进行残差连接再次得到新的特征。

3.根据权利要求2所述的一种基于变形的非局部网络医学图像分割方法，其特征在于：特征解码模块将缩小的特征图恢复到原始医学图像的大小的方法还包括：对残差连接得到新的特征进行降维操作，再对特征的Vaule值和Key值进行矩阵转置和乘法操作得到新的特征图,然后对新的特征图进行softmax操作，并和Query值进行乘法操作再次得到新的特征，最后对新的特征进行全局平均池化和全连接操作，再和新的特征的Key值进行矩阵乘法操作得到最后的特征图。

4.根据权利要求3所述的一种基于变形的非局部网络医学图像分割方法，其特征在于：特征解码模块将缩小的特征图恢复到原始医学图像的大小的方法还包括：对最后的特征图的高层特征进行全局平均池化操作并进行正规化操作，将得到的特征与最后的特征图的浅层特征进行矩阵乘法操作得到新的特征；最后再将高层特征进行上采样操作并与经过矩阵乘法操作得到的特征进行特征组合，从而将缩小的特征图恢复到原始医学图像的大小。

5.根据权利要求1所述的一种基于变形的非局部网络医学图像分割方法，其特征在于：所述softmax分类器利用损失函数来评估，并对分割的正确与否进行调整；

所述损失函数使用了主函数和辅助函数相结合的函数，

主函数：

这里N代表整个图片像素的数量，p(k,i)∈[0,1]代表分类得到的概率，q(k,i)∈[0,1]代表分类得到金标准；

辅助函数使用了权重交叉熵函数：

这里TP代表真正，即预测为正，实际为正，TN代表真负，即预测为负，实际为负,N_p代表分割区域，N_n代表非分割区域；y表示金标准；

l_all＝L_dic+λL_r

在这里,L_all表示总的损失函数，λ表示权重，用来平衡两个损失函数在总损失函数中所占比重，经过试验得到λ＝0.5时整个分割效果最好。

6.一种基于变形的非局部网络医学图像分割系统，其特征在于，包括：特征提取模块，用于输入医学图像，输出缩小的特征图；

特征解码模块，用于输入缩小的特征图，将缩小的特征图恢复到原始医学图像的大小；

softmax分类器，用于输入恢复后的特征图进行特征分割，分割出目标特征区域。

7.根据权利要求6所述的一种基于变形的非局部网络医学图像分割系统，其特征在于：所述特征解码模块包括残差压缩解压金字塔池化模块：用于将特征图的每个特征经过了三次扩张卷积和一次卷积核大小为1×1的卷积，三次扩张率分别是6，12，12，然后得到的特征都经过压缩与解压得到新的特征，最后把新的特征和原始的输入特征进行残差连接再次得到新的特征。