1.一种基于双重边界引导注意力探索的息肉分割系统,其特征在于,包括:PVTv2主干提取网络、多尺度上下文聚合增强模块MCA、底层细节增强模块LDE和双重边界引导注意力探索模块DBE;
所述PVTv2主干提取网络,用于提取主干特征形成特征图;
所述多尺度上下文聚合增强模块MCA,用于融合特征图的相邻两层上下文特征信息,再对融合后的特征信息利用不同扩张速率的扩张卷积获取广泛特征,将多个广泛特征进行聚合获得初步预测分割结果;
所述底层细节增强模块LDE,用于根据初步预测分割结果抑制背景干扰以及捕捉细节信息;所述底层细节增包括强模块LDE包括细节融合子模块和细节提取子模块;所述细节提取子模块,用于采用通道注意力和空间注意力串联的方式从不同维度捕获息肉的细节信息;所述细节融合子模块,用于基于初步预测分割结果降低底层特征中的背景信息的干扰,再通过降采样的方式将细节信息与高级特征进行融合;
所述双重边界引导注意力探索模块DBE,用于通过采用既定策略获得真实息肉边界;所述双重边界引导注意力探索模块DBE包括三元掩码子模块和边界掩码子模块;所述三元掩码子模块,用于将特征图进行区域划分,并对划分区域进行权重赋值,获取权重特征图;所述边界掩码子模块,用于将权重特征图转化成二进制掩码,再通过二进制掩码生成最终的边界掩码图。
2.根据权利要求1所述的一种基于双重边界引导注意力探索的息肉分割系统,其特征在于,所述PVTv2主干提取网络提取的特征包括第一多尺度金字塔特征X1、第二多尺度金字塔特征X2、第三多尺度金字塔特征X3和第四多尺度金字塔特征X4,其中,第一多尺度金字塔特征X1为细节特征;第二多尺度金字塔特征X2、第三多尺度金字塔特征X3和第四多尺度金字塔特征X4为语义特征。
3.根据权利要求1所述的一种基于双重边界引导注意力探索的息肉分割系统,其特征在于,所述多尺度上下文聚合增强模块MCA中扩张卷积的数量为四个。
4.根据权利要求1所述的一种基于双重边界引导注意力探索的息肉分割系统,其特征在于,所述双重边界引导注意力探索模块DBE中既定策略为从粗到细的逐层逼近的策略。
5.根据权利要求1所述的一种基于双重边界引导注意力探索的息肉分割系统,其特征在于,三元掩码子模块输出的权重特征图Ti的表达式为:其中,代表按元素相乘,fi代表3×3卷积,三元掩码Dt被描述为:
其中,al和ah代表划分三元掩码的两个阈值,i代表特征图中第i个像素点;Li代表底层细节增强模块LDE对应的输出特征。
6.根据权利要求1所述的基于双重边界引导注意力探索的息肉分割系统,其特征在于,边界掩码子模块输出的边界掩码图Di的表达式为:其中,边界掩码Dm被描述为:
Dm=Dilate(Ds)-Erode(Ds);
其中,Dilate和Erode分别代表形态学膨胀和腐蚀操作;fi代表3×3卷积,Li代表底层细节增强模块LDE对应的输出特征,Ti代表三元掩码子模块的输出特征图,Ds代表阈值为0.5的二进制掩码。
7.根据权利要求1所述的基于双重边界引导注意力探索的息肉分割系统,其特征在于,每个双重边界引导注意力探索模块DBE的两个子模块的输出和初步预测图采用深度监督的方法作为优化目标,总督损失函数定义如下:L=Lmain+Laux;
其中,Lmain和Laux分别代表主要损失和辅助损失,主要损失Lmain和辅助损失Laux分别被描述为:其中,Lwbce和Lwiou分别代表加权二元交叉熵损失和加权交并损失,主要损失Lmain是计算特征图Di与真值图G之间的损失,辅助损失Laux是计算特征图Ti与真值图G之间的损失。
8.一种应用于如权利要求1-7任一项所述的基于双重边界引导注意力探索的息肉分割系统的方法,其特征在于,具体步骤为:对原始图像提取主干特征形成特征图;
融合特征图的相邻两层上下文特征信息,再对融合后的特征信息利用不同扩张速率的扩张卷积获取广泛特征,将多个广泛特征进行聚合获得初步预测分割结果;
根据初步预测分割结果抑制背景干扰以及捕捉细节信息,获取细节特征图;
基于初步预测分割结果和细节特征图通过采用既定策略获得真实息肉边界。