欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023104908448
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于显著性图引导和不确定性语义增强的息肉分割方法,其特征在于,包括以下步骤:步骤S1、获取待分割的医学图像;

步骤S2、将图像输入到PVT主干编码子网络中,提取出三个特征图、、和一个显著性图;

步骤S3、将特征图、、分别输入到二阶池化卷积注意力子网络SPA中得到图像、、;

步骤S4、显著性图通过不确定性语义增强子网络UAA引导特征图得到,并通过逐点相加引导得到显著性图;显著性图通过不确定性语义增强子网络引导特征图得到,并通过逐点相加引导得到显著性图;显著性图通过不确定性语义增强子网络引导特征图得到,并通过逐点相加引导得到显著性图;

所述的不确定性语义增强子网络,包括:

S41.令输入的显著性图为,大小为,上采样为的显著性图,令输入的特征图为, 其大小为;

S42.对显著性图计算前景图、背景图和不确定区域图的表征向量,计算公式如下:;

S43.对大小为的显著性图、和做通道连接并重塑为大小的特征图;

S44.将特征图经过卷积进行特征融合,并重塑为大小的特征图;

S45.将特征图的与特征图每个区域图汇总,做矩阵乘法并在通道维度拼接得到大小为的特征图,汇总过程可定义为:,

,

其中、和分别表示前景区域、背景区域和不确定区域特征向量,表示矩阵乘法;

S46.将特征图和分别经过卷积进行特征融合,然后做矩阵乘法得到大小为的特征图,以计算每个特征向量与输入特征图中的每个像素之间的相似度,定义为:,

,, ,

其中表示逐点卷积,、和表示对应特征向量、、和与输入特征图中的每个像素之间的相似度,、和表示对应特征向量、、和的相似度得分,;

S47.将特征向量、、和经过权重矩阵与相似度得分、和相乘的结果相加,然后通过卷积得到上下文特征图如下:,

其中为权重矩阵;

S48.将上下文特征图和输入特征图相对于通道方向进行拼接,并进行逐点卷积得到大小为的不确定性语义增强子网络输出特征图;

步骤S5、将显著性图经过2倍双线性插值上采样和Sigmoid函数得到医学图像的最终预测分割结果。

2.如权利要求1的基于显著性图引导和不确定性语义增强的息肉分割方法,其特征在于:步骤S3中,二阶池化卷积注意力子网络SPA,包括:S31.令输入的特征图为,其大小为,其中、和分别是特征图的高度、宽度和通道数;

S32.将通过和两个线性层投影成大小为的特征,对于给定空间位置,令表示以空间位置为中心的大小为的局部窗口内像素值的集合,可定义为:;

其中表示正方形局部窗口的边长,表示局部窗口内像素值相对空间位置在横坐标上的偏移量,表示局部窗口内像素值相对空间位置在纵坐标上的偏移量,表示局部窗口内某一点的像素值;

S34.将输入到二阶池化模块中,对使用卷积将通道数缩减到;

S35.计算两两通道相关性,得到一个具备明确物理意义的协方差矩阵,即第行表示第通道与所有通道间的统计相关性;

S36.将协方差矩阵进行逐行卷积,得到一个的权值向量,再通过线性投影成大小为的权值,对于给定空间位置,是大小为的局部窗口内的权值;

S37.将经过操作后与做多头自注意力操作得到局部窗口的深层特征,定义为:;

S38.将经过加权平均密集聚合,得到大小为的二阶池化卷积注意力子网络的深层特征输出,其中对于给定空间位置的深层特征输出可定义为:;

其中表示给定空间位置周围局部窗口内的深层特征相对该位置在横坐标上的偏移量,表示给定空间位置周围局部窗口内的深层特征相对该位置在纵坐标上的偏移量,表示空间位置上的深层特征。