[发明专利]基于多尺度自注意力机制的髋关节分割方法、装置及设备

说明书

本申请提供了一种基于多尺度自注意力机制的髋关节分割方法、装置、电子设备及计算机可读存储介质。该方法，在获取髋关节图像后，基于髋关节图像获取目标髋关节图像；利用CNN网络对目标髋关节图像进行多尺度编码，得到CNN编码后的特征图；对CNN编码后的特征图进行双尺度自注意力特征融合，得到双尺度自注意力特征融合后的特征图；对双尺度自注意力特征融合后的特征图和对应的解码层特征图执行Concat操作，得到对应的新解码层特征图；对各个新解码层特征图执行Concat操作，得到拼接后的特征图；通过尺度自注意力机制，对拼接后的特征图进行特征融合，得到目标特征图；基于目标特征图，获取髋关节分割结果。

技术领域

本申请属于深度学习智能识别技术领域，尤其涉及一种基于多尺度自注意力机制的髋关节分割方法、装置、电子设备及计算机可读存储介质。

背景技术

随着髋关节手术和AI技术的发展，基于深度学习的髋关节分割算法在医学领域开始崭露头角。但是，由于髋关节病变的多样性，如骨折、关节炎等，造成髋关节分割的准确性不高，尤其是在髋关节细节特征，分割偏差较大。

因此，如何更加准确地进行髋关节的分割是本领域技术人员亟需解决的技术问题。

发明内容

本申请实施例提供一种基于多尺度自注意力机制的髋关节分割方法、装置、电子设备及计算机可读存储介质，能够更加准确地进行髋关节的分割。

第一方面，本申请实施例提供一种基于多尺度自注意力机制的髋关节分割方法，包括：

在获取髋关节图像后，基于髋关节图像获取目标髋关节图像；

利用CNN网络对目标髋关节图像进行多尺度编码，得到CNN编码后的特征图；

对CNN编码后的特征图进行双尺度自注意力特征融合，得到双尺度自注意力特征融合后的特征图；

对双尺度自注意力特征融合后的特征图和对应的解码层特征图执行Concat操作，得到对应的新解码层特征图；

对各个新解码层特征图执行Concat操作，得到拼接后的特征图；

通过尺度自注意力机制，对拼接后的特征图进行特征融合，得到目标特征图；

基于目标特征图，获取髋关节分割结果。

可选的，在获取髋关节图像后，基于髋关节图像获取目标髋关节图像，包括：

对髋关节图像进行下采样，得到下采样后的髋关节图像；

将下采样后的髋关节图像，确定为目标髋关节图像。

可选的，对CNN编码后的特征图进行双尺度自注意力特征融合，得到双尺度自注意力特征融合后的特征图，包括：

获取编码层中相邻的两个特征图；其中，两个特征图分别为第一特征图和第二特征图；

提取第一特征图对应的第一尺度自注意力系数；

提取第二特征图对应的第二尺度自注意力系数；

将第一尺度自注意力系数和第二尺度自注意力系数进行点乘，得到ESA自注意力系数；

将第二特征图与述ESA自注意力系数进行Value操作，得到双尺度自注意力特征融合后的特征图。

可选的，提取第一特征图对应的第一尺度自注意力系数，包括：

对第一特征图进行Query操作和Key操作，得到第一尺度自注意力系数。

可选的，通过尺度自注意力机制，对拼接后的特征图进行特征融合，得到目标特征图，包括：

通过通道注意力机制，获取通道注意力特征图M4；