CN113920129A - 基于多尺度和全局上下文信息的医学图像分割方法和装置 - Google Patents

基于多尺度和全局上下文信息的医学图像分割方法和装置 Download PDF

Info

Publication number
CN113920129A
CN113920129A CN202111089546.5A CN202111089546A CN113920129A CN 113920129 A CN113920129 A CN 113920129A CN 202111089546 A CN202111089546 A CN 202111089546A CN 113920129 A CN113920129 A CN 113920129A
Authority
CN
China
Prior art keywords
medical image
scale
context information
global context
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111089546.5A
Other languages
English (en)
Inventor
吴少智
曹云健
田淼
李琬祎
孙英雪
王宏秋
吴磊
苏涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
Yangtze River Delta Research Institute of UESTC Huzhou
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangtze River Delta Research Institute of UESTC Huzhou filed Critical Yangtze River Delta Research Institute of UESTC Huzhou
Priority to CN202111089546.5A priority Critical patent/CN113920129A/zh
Publication of CN113920129A publication Critical patent/CN113920129A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多尺度和全局上下文信息的医学图像分割方法和装置，该方法包括：获取待处理医学图像；提取待处理医学图像中的图像特征，得到特征图；学习特征图的多尺度的全局上下文信息；引导多尺度的全局上下文信息与译码器支路特征融合；根据预设尺度与权重的对应关系将与译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。本发明在一定程度上解决了相关技术的全卷积网络模型存在的感受野较小、模型深度较浅和编码解码过程信息损失大的问题。此外，本发明还在一定程度上解决了相关技术的全卷积网络模型由于在多尺度推理中使用平均池化策略组合多尺度结果的方法而存在的组合结果不准确的问题。

Description

基于多尺度和全局上下文信息的医学图像分割方法和装置
技术领域
本发明涉及医学图像分割技术领域，具体涉及一种基于多尺度和全局上下文信息的医学图像分割方法和装置。
背景技术
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。基于机器学习(Machine Learning)的计算机辅助诊断(Computer-AidedDiagnois，CAD)技术在近几年被广泛应用于医学图像分析中。基于机器学习的算法可以通过医学图像的各项特征来训练模型参数，并将训练完成的模型用于对提取到的特征进行预测，可以很好地解决医学图像中的分类、回归、聚类以及关联问题。同时，机器学习中的深度学习技术可以直接从数据中自动获取高维特征，极大程度的克服了传统分割算法需要强先验约束和人工干预的缺陷，提升了算法的鲁棒性和有效性，以及通过前向传播和反向调节算法自动调整模型参数，从而使模型在相关任务中的性能达到最优。
基于深度学习的医学图像分割方法主要以卷积神经网络为主。目前，用于医学图像分割的卷积神经网络模型包括基于全图预测的全卷积网络模型。该全卷积网络模型是一个端到端的模型，该模型去掉传统卷积网络最后一层的全连接层，并使用分割掩码作为标签进行模型训练，极大提高了模型的分割性能和分割速度。然而，相关技术的基于全图预测的全卷积网络模型存在感受视野小、模型深度浅和编码过程信息损失大的问题。
发明内容
有鉴于此，提供一种基于多尺度和全局上下文信息的医学图像分割方法和装置，以解决相关技术的全卷积网络模型存在感受视野小、模型深度浅和编码过程信息损失大的问题。
本发明采用如下技术方案：
第一方面，本发明提供了一种基于多尺度和全局上下文信息的医学图像分割方法，包括：
获取待处理医学图像；
提取所述待处理医学图像中的图像特征，得到特征图；
学习所述特征图的多尺度的全局上下文信息；
引导所述多尺度的全局上下文信息与译码器支路特征融合；
根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。
优选的，所述提取所述待处理医学图像中的图像特征，得到特征图之前，本发明的基于多尺度和全局上下文信息的医学图像分割方法还包括：
对所述待处理医学图像进行偏置修正；
在偏置修正后的所述待处理医学图像中确定目标区域；
根据所述目标区域裁剪所述待处理医学图像；
对裁剪后的所述待处理医学图像进行强度标准化。
优选的，所述获取待处理医学图像之前，本发明的基于多尺度和全局上下文信息的医学图像分割方法还包括：
基于原始医学图像训练预设医学图像分割模型；所述预设医学图像分割模型用于实现基于多尺度和全局上下文信息的医学图像分割方法。
优选的，所述基于原始医学图像训练预设医学图像分割模型，包括：
获取所述原始医学图像；
将所述原始医学图像划分为训练集和验证集；
对所述原始医学图像进行预处理；
对预处理后的原始医学图像进行数据增强处理；
基于所述训练集训练进行模型训练；
评估训练后的模型是否达到预设标准；
当所述训练后的模型未达到所述预设标准时，执行步骤：对预处理后的原始医学图像进行数据增强处理；
当所述训练后的模型达到所述预设标准时，保存达到所述预设标准的模型；
基于所述验证集验证所述达到所述预设标准的模型；
定义通过验证的模型为所述预设医学图像分割模型。
优选的，所述数据增强处理的方法包括：随机上下翻转、随机左右翻转、随机裁剪、随机平移、随机缩放和随机旋转。
第二方面，本发明提供了一种基于多尺度和全局上下文信息的医学图像分割装置，包括：编码器模块、M模块、G模块、译码器模块和尺度注意力模块；
所述编码器模块用于获取待处理医学图像，以及提取所述待处理医学图像中的图像特征，得到特征图，并将所述特征图发送至所述M模块；
所述M模块用学习所述特征图的多尺度的全局上下文信息，并将所述多尺度的全局上下文信息发送至所述译码器模块和所述G模块；
所述译码器模块用于对所述多尺度的全局上下文信息进行解码处理，得到译码器支路特征；
所述G模块用于引导所述多尺度的全局上下文信息与所述译码器支路特征融合；
所述译码器模块还用于将与所述译码器支路特征融合后的多尺度的全局上下文信息发送至所述尺度注意力模块；
所述尺度注意力模块用于根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。
优选的，所述编码器模块包括四层Dense Block和注意力机制；
所述译码器模块包括四层Dense Block。
优选的，每层所述Dense Block包括四个卷积层；
每个所述卷积层包括64个输出通道；每个所述卷积层的滤波器大小为3*3；每个所述卷积层的输出均通过正则化和ReLU激活函数处理。
优选的，每层所述Dense Block的输出经一个核大小为2×2和步长为2的池化层进行下采样处理。
本发明采用以上技术方案，一种基于多尺度和全局上下文信息的医学图像分割方法，包括：获取待处理医学图像；提取所述待处理医学图像中的图像特征，得到特征图；学习所述特征图的多尺度的全局上下文信息；引导所述多尺度的全局上下文信息与译码器支路特征融合；根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。基于此，本发明通过学习所述特征图的多尺度的全局上下文信息，并引导所述多尺度的全局上下文信息与译码器支路特征融合，在一定程度上解决了相关技术的全卷积网络模型存在的感受野较小、模型深度较浅和编码解码过程信息损失大的问题。此外，本发明通过根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，在一定程度上解决了相关技术的全卷积网络模型由于在多尺度推理中使用平均池化策略组合多尺度结果的方法而存在的组合结果不准确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于多尺度和全局上下文信息的医学图像分割方法的流程示意图。
图2是本发明实施例提供的一种预设医学图像分割模型的训练过程示意图。
图3本发明实施例提供的一种基于多尺度和全局上下文信息的医学图像分割装置的网络框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是本发明实施例提供的一种基于多尺度和全局上下文信息的医学图像分割方法的流程示意图。如图1所示，本发明实施例的基于多尺度和全局上下文信息的医学图像分割方法，包括：
S101、获取待处理医学图像；
S102、提取所述待处理医学图像中的图像特征，得到特征图；
S103、学习所述特征图的多尺度的全局上下文信息；
S104、引导所述多尺度的全局上下文信息与译码器支路特征融合；
S105、根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。
具体的，译码器对所述多尺度的全局上下文信息进行解码处理，得到译码器支路特征。预设尺度与权重的对应关系具体表现为不同尺度对应不同权重。
本实施例采用以上技术方案，一种基于多尺度和全局上下文信息的医学图像分割方法，包括：获取待处理医学图像；提取所述待处理医学图像中的图像特征，得到特征图；学习所述特征图的多尺度的全局上下文信息；引导所述多尺度的全局上下文信息与译码器支路特征融合；根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。基于此，本实施例通过学习所述特征图的多尺度的全局上下文信息，并引导所述多尺度的全局上下文信息与译码器支路特征融合，在一定程度上解决了相关技术的全卷积网络模型存在的感受野较小、模型深度较浅和编码解码过程信息损失大的问题。此外，本实施例通过根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，在一定程度上解决了相关技术的全卷积网络模型由于在多尺度推理中使用平均池化策略组合多尺度结果的方法而存在的组合结果不准确的问题。
优选的，所述提取所述待处理医学图像中的图像特征，得到特征图之前，本实施例的基于多尺度和全局上下文信息的医学图像分割方法还包括：
对所述待处理医学图像进行偏置修正；
在偏置修正后的所述待处理医学图像中确定目标区域；
根据所述目标区域裁剪所述待处理医学图像；
对裁剪后的所述待处理医学图像进行强度标准化。
详细的，偏置修正为利用用大津阈值法(Otsu Thresholding)确定修正阈值，融合时根据阈值调整图像对比度。裁剪为通过使图像灰度化，然后对图像进行滤波，以改变图像对比度，使得目标区域和背景的差异明显，以确定目标的大致位置，并剪切掉目标之外的背景。强度标准化为采用z-score方式来对每个模态图像进行标准化,即将每个模态的数据标准化为零均值和单位标准差。如此，能够在一定程度上去除待处理医学图像中的噪声，以及缓解待处理医学图像存在的强度不均匀的问题，便于神经网络进行学习。
优选的，所述获取待处理医学图像之前，本实施例的基于多尺度和全局上下文信息的医学图像分割方法还包括：
基于原始医学图像训练预设医学图像分割模型；所述预设医学图像分割模型用于实现基于多尺度和全局上下文信息的医学图像分割方法。
图2是本发明实施例提供的一种预设医学图像分割模型的训练过程示意图。如图2所示，本实施例的基于原始医学图像训练预设医学图像分割模型，包括：
S201、获取所述原始医学图像。
S202、将所述原始医学图像划分为训练集和验证集。
S203、对所述原始医学图像进行预处理。
具体的，首先对获取所述原始医学图像进行偏置修正；然后在获取所述原始医学图像中确定目标区域，获得图像裁剪框，并使用该裁剪框对偏置修正后的图像进行裁剪，去除不必要的背景信息；最后对裁剪过后的图像进行强度标准化，使其便于神经网络进行学习。
S204、对预处理后的原始医学图像进行数据增强处理。
详细的，为了提高模型的泛化能力，缓解模型训练过程中产生的过拟合问题，在训练模型之前对预处理后的原始医学图像进行数据增强处理，从而增加数据量，以及丰富数据的多样性。在具体的数据增强过程中，对预处理后的原始医学图像进行数据增强处理的方式包括随机上下翻转、随机左右翻转、随机裁剪、随机平移、随机缩放和随机旋转。
其中，、随机平移的过程具体为以图像x轴和y轴的0.3倍大小进行随机平移图像。随机缩放的具体过程为以x和y轴上0.6和0.3的缩放因子对图像进行随机缩放。随机旋转的具体过程为使用-100°到100°之间的旋转角度进行随机旋转。
S205、基于所述训练集训练进行模型训练。
详细的，在训练过程中模型会自动对训练集数据进行特征提取，并将提取到的特征加入到设计好的模型结构中进行前向传播，同时以目标区域掩码作为标签计算损失值，从而在多次迭代中反向调节模型参数，以达到使模型性能最优的目的。
S206、评估训练后的模型是否达到预设标准；当所述训练后的模型未达到所述预设标准时，执行步骤S204，当所述训练后的模型达到所述预设标准时，执行步骤S207。
具体的，通过Dice系数和IoU(Intersection over Union)等评估指标评估模型。
S207、保存达到所述预设标准的模型。
S208、基于所述验证集验证所述达到所述预设标准的模型。
S209、定义通过验证的模型为所述预设医学图像分割模型。
基于一个总的发明构思，本发明还提供了一种基于多尺度和全局上下文信息的医学图像分割装置。图3本发明实施例提供的一种基于多尺度和全局上下文信息的医学图像分割装置的网络框架图。如图3所示，本实施例的基于多尺度和全局上下文信息的医学图像分割装置包括：编码器模块31、M模块32、G模块33、译码器模块34和尺度注意力模块35。
其中，所述编码器模块31用于获取待处理医学图像，以及提取所述待处理医学图像中的图像特征，得到特征图，并将所述特征图发送至所述M模块；所述M模块32用学习所述特征图的多尺度的全局上下文信息，并将所述多尺度的全局上下文信息发送至所述译码器模块和所述G模块；所述译码器模块34用于对所述多尺度的全局上下文信息进行解码处理，得到译码器支路特征；所述G模块33用于引导所述多尺度的全局上下文信息与所述译码器支路特征融合；所述译码器模块34还用于将与所述译码器支路特征融合后的多尺度的全局上下文信息发送至所述尺度注意力模块；所述尺度注意力模块35用于根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。
具体的，M模块32为Mutil-Scale Fusion(MSF)模块，G模块33为Global ContextInformation Guidance(GCIG)模块，尺度注意力模块35为Scale-Attention模块。
G模块33具体用于将来自于不同编码层的特征图经核为1的二维卷积处理以统一通道数，并将统一通道数的特征图经核为3的二维卷积上采样到一样的尺度，然后将所有特征图做一个cat(堆叠)，分别通过三个平行的只是扩张率不同的可分离卷积，以学习全局上下文信息。
M模块32具体用于将来自于编码支路的特征图首先经过平行的三个不同扩张率的空洞卷积以获取不同尺度的特征。然后不同尺度的特征图在注意力的指导下两两进行融合，得到我们需要的多尺度上下文信息。
优选的，所述编码器模块包括四层Dense Block和注意力机制；所述译码器模块包括四层Dense Block。在编码层融入了注意力机制，能够有效突出目标区域特征以及抑制噪声。
优选的，每层所述Dense Block包括四个卷积层；每个所述卷积层包括64个输出通道；每个所述卷积层的滤波器大小为3*3；每个所述卷积层的输出均通过正则化和ReLU激活函数处理。每层所述Dense Block的输出经一个核大小为2×2和步长为2的池化层进行下采样处理。
具体的，每层Dense Block有四个卷积层。Dense Block中前面所有卷积层的输出都加到后面的卷积层中，这种密集连接能够促进梯度流，并允许网络学习到更好的特征表示。Dense Block中每个卷积层有64个输出通道，滤波器大小为3×3，每个卷积层的输出都要通过正则化和ReLU激活函数处理。Dense Block的输出经一个核大小为2×2和步长为2的最大池化层的下采样处理，下采样的输出作为下一个Dense Block的输入。
需要说明的是，本实施例和上述实施例基于一个总的发明构思，具备相同或相应的执行过程和有益效果，在此不再赘述。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程示意图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于多尺度和全局上下文信息的医学图像分割方法，其特征在于，包括：
获取待处理医学图像；
提取所述待处理医学图像中的图像特征，得到特征图；
学习所述特征图的多尺度的全局上下文信息；
引导所述多尺度的全局上下文信息与译码器支路特征融合；
根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。
2.根据权利要求1所述的基于多尺度和全局上下文信息的医学图像分割方法，其特征在于，所述提取所述待处理医学图像中的图像特征，得到特征图之前，还包括：
对所述待处理医学图像进行偏置修正；
在偏置修正后的所述待处理医学图像中确定目标区域；
根据所述目标区域裁剪所述待处理医学图像；
对裁剪后的所述待处理医学图像进行强度标准化。
3.根据权利要求1所述的基于多尺度和全局上下文信息的医学图像分割方法，其特征在于，所述获取待处理医学图像之前，还包括：
基于原始医学图像训练预设医学图像分割模型；所述预设医学图像分割模型用于实现基于多尺度和全局上下文信息的医学图像分割方法。
4.根据权利要求3所述的基于多尺度和全局上下文信息的医学图像分割方法，其特征在于，所述基于原始医学图像训练预设医学图像分割模型，包括：
获取所述原始医学图像；
将所述原始医学图像划分为训练集和验证集；
对所述原始医学图像进行预处理；
对预处理后的原始医学图像进行数据增强处理；
基于所述训练集训练进行模型训练；
评估训练后的模型是否达到预设标准；
当所述训练后的模型未达到所述预设标准时，执行步骤：对预处理后的原始医学图像进行数据增强处理；
当所述训练后的模型达到所述预设标准时，保存达到所述预设标准的模型；
基于所述验证集验证所述达到所述预设标准的模型；
定义通过验证的模型为所述预设医学图像分割模型。
5.根据权利要求4所述的基于多尺度和全局上下文信息的医学图像分割方法，其特征在于，所述数据增强处理的方法包括：随机上下翻转、随机左右翻转、随机裁剪、随机平移、随机缩放和随机旋转。
6.一种基于多尺度和全局上下文信息的医学图像分割装置，其特征在于，包括：编码器模块、M模块、G模块、译码器模块和尺度注意力模块；
所述编码器模块用于获取待处理医学图像，以及提取所述待处理医学图像中的图像特征，得到特征图，并将所述特征图发送至所述M模块；
所述M模块用学习所述特征图的多尺度的全局上下文信息，并将所述多尺度的全局上下文信息发送至所述译码器模块和所述G模块；
所述译码器模块用于对所述多尺度的全局上下文信息进行解码处理，得到译码器支路特征；
所述G模块用于引导所述多尺度的全局上下文信息与所述译码器支路特征融合；
所述译码器模块还用于将与所述译码器支路特征融合后的多尺度的全局上下文信息发送至所述尺度注意力模块；
所述尺度注意力模块用于根据预设尺度与权重的对应关系将与所述译码器支路特征融合后的多尺度的全局上下文信息组合，得到目标医学图像。
7.根据权利要求6所述的基于多尺度和全局上下文信息的医学图像分割装置，其特征在于，所述编码器模块包括四层Dense Block和注意力机制；
所述译码器模块包括四层Dense Block。
8.根据权利要求7所述的基于多尺度和全局上下文信息的医学图像分割装置，其特征在于，每层所述Dense Block包括四个卷积层；
每个所述卷积层包括64个输出通道；每个所述卷积层的滤波器大小为3*3；每个所述卷积层的输出均通过正则化和ReLU激活函数处理。
9.根据权利要求7所述的基于多尺度和全局上下文信息的医学图像分割装置，其特征在于，每层所述Dense Block的输出经一个核大小为2×2和步长为2的池化层进行下采样处理。
CN202111089546.5A 2021-09-16 2021-09-16 基于多尺度和全局上下文信息的医学图像分割方法和装置 Pending CN113920129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111089546.5A CN113920129A (zh) 2021-09-16 2021-09-16 基于多尺度和全局上下文信息的医学图像分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111089546.5A CN113920129A (zh) 2021-09-16 2021-09-16 基于多尺度和全局上下文信息的医学图像分割方法和装置

Publications (1)

Publication Number Publication Date
CN113920129A true CN113920129A (zh) 2022-01-11

Family

ID=79235033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111089546.5A Pending CN113920129A (zh) 2021-09-16 2021-09-16 基于多尺度和全局上下文信息的医学图像分割方法和装置

Country Status (1)

Country Link
CN (1) CN113920129A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913325A (zh) * 2022-03-24 2022-08-16 北京百度网讯科技有限公司 语义分割方法、装置及计算机程序产品
CN115082500A (zh) * 2022-05-31 2022-09-20 苏州大学 基于多尺度与局部特征引导网络的角膜神经纤维分割方法
CN117934855A (zh) * 2024-03-22 2024-04-26 北京壹点灵动科技有限公司 医学图像分割方法和装置、存储介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145170A (zh) * 2019-12-31 2020-05-12 电子科技大学 一种基于深度学习的医学影像分割方法
CN111179275A (zh) * 2019-12-31 2020-05-19 电子科技大学 一种医学超声图像分割方法
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和系统
CN112150428A (zh) * 2020-09-18 2020-12-29 青岛大学 一种基于深度学习的医学图像分割方法
CN112598650A (zh) * 2020-12-24 2021-04-02 苏州大学 眼底医学影像中视杯视盘的联合分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和系统
CN111145170A (zh) * 2019-12-31 2020-05-12 电子科技大学 一种基于深度学习的医学影像分割方法
CN111179275A (zh) * 2019-12-31 2020-05-19 电子科技大学 一种医学超声图像分割方法
CN112150428A (zh) * 2020-09-18 2020-12-29 青岛大学 一种基于深度学习的医学图像分割方法
CN112598650A (zh) * 2020-12-24 2021-04-02 苏州大学 眼底医学影像中视杯视盘的联合分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DI LIN ETC.: "Multi-scale Context Intertwining for Semantic Segmentation", COMPUTER VISION, 7 October 2018 (2018-10-07) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913325A (zh) * 2022-03-24 2022-08-16 北京百度网讯科技有限公司 语义分割方法、装置及计算机程序产品
CN114913325B (zh) * 2022-03-24 2024-05-10 北京百度网讯科技有限公司 语义分割方法、装置及计算机程序产品
CN115082500A (zh) * 2022-05-31 2022-09-20 苏州大学 基于多尺度与局部特征引导网络的角膜神经纤维分割方法
CN117934855A (zh) * 2024-03-22 2024-04-26 北京壹点灵动科技有限公司 医学图像分割方法和装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN113920129A (zh) 基于多尺度和全局上下文信息的医学图像分割方法和装置
CN111259982B (zh) 一种基于注意力机制的早产儿视网膜图像分类方法和装置
CN111145181B (zh) 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法
CN110807788A (zh) 医学图像处理方法、装置、电子设备及计算机存储介质
CN114120102A (zh) 边界优化的遥感图像语义分割方法、装置、设备及介质
CN110675406A (zh) 基于残差双注意力深度网络的ct图像肾脏分割算法
CN113808146B (zh) 一种医学图像多器官分割方法及系统
CN112862830B (zh) 一种多模态图像分割方法、系统、终端及可读存储介质
CN110969632B (zh) 一种深度学习模型的训练方法、图像处理方法及装置
CN109447963B (zh) 一种脑部影像识别的方法及装置
JP2007068992A5 (zh)
CN111369574B (zh) 一种胸腔器官的分割方法及装置
CN112489023A (zh) 一种基于多尺度和多层次的路面裂缝检测方法
CN114066884B (zh) 视网膜血管分割方法及装置、电子设备和存储介质
CN113421240B (zh) 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置
CN112446869A (zh) 基于深度学习的无监督工业品缺陷检测方法及装置
CN114757950B (zh) 超声图像处理方法、装置以及计算机可读存储介质
CN110942464A (zh) 一种融合2维和3维模型的pet图像分割方法
CN116452618A (zh) 一种三输入脊柱ct图像分割方法
Li et al. Robust deep 3D blood vessel segmentation using structural priors
CN110992310A (zh) 一种确定纵隔淋巴结所在分区的方法及装置
CN116630286B (zh) 一种图像异常检测与定位的方法、装置、设备及存储介质
CN117197454A (zh) 一种肝脏及肝肿瘤数据分割方法及系统
CN110008838B (zh) 基于改进拟合算法的车道线检测方法和系统
CN115937991A (zh) 人体摔倒识别方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination