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: 2025117766957
申请人: 苏州大学
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:

1.一种息肉图像分割方法,其特征在于,包括:

将待分割息肉图像输入训练好的息肉图像分割网络中,经过主干网络,输出层初始特征图后,将层初始特征图分别输入水平集边缘增强模块,输出各层初始特征图对应的优化特征图;将层优化特征图输入解码器中,解码获取息肉分割结果图;为主干网络的层数;

其中,各层初始特征图对应的优化特征图的获取,均包括:对初始特征图进行水平集映射,获取映射特征图;

对映射特征图进行1×1卷积,获取卷积映射特征图;

利用多个不同尺寸的窗口,对卷积映射特征图进行深度可分离卷积与逐点卷积后激活,获取多个尺度对应的可分离卷积特征图;

将卷积映射特征图与多个可分离卷积特征图拼接,获取拼接特征图;

令拼接特征图经过批归一化、激活与卷积后,与初始特征图残差连接,获取残差特征图;

对残差特征图进行自适应边缘增强处理后,与初始特征图残差连接,获取优化特征图;

其中,将层优化特征图输入解码器中,解码获取息肉分割结果图,包括:将各层优化特征图分别输入双分支注意力模块,均进行通道分支注意力增强与压缩-激励分支注意力增强后,将两分支的输出融合,输出层注意力增强特征图;

将层注意力增强特征图中的相邻的第层与第层的注意力增强特征图输入同一跨层融合模块,进行特征融合,获取第层的融合特征图,共输出层融合特征图;

将第层、第层与第层的注意力增强特征图,输入深层特征聚合模块,计算第层与第层的聚合特征图,卷积输出第层的分割结果图;

将第层的分割结果图与第层的融合特征图输入逐层特征聚合模块,输出第层的分割结果图,直至获取第1层的分割结果图,作为息肉分割结果图,。

2.根据权利要求1所述的息肉图像分割方法,其特征在于,第层优化特征图,表示为:;

其中,为第层初始特征图,为自然对数,为自然常数,为取绝对值操作,为Hadamard积,;

表示第层残差特征图,表达式为,为窗口为的卷积操作;

表示第层拼接特征图经过批归一化、激活与卷积后的特征图,表达式为,为ReLU激活函数,为批归一化操作;

表示第层拼接特征图,表达式为,表示特征拼接操作;

表示卷积映射特征图,表达式为;

表示第层窗口为的可分离卷积特征图,表达式为,为窗口为的深度可分离卷积操作,为窗口为的逐点卷积操作;

表示第层窗口为的可分离卷积特征图,表达式为,为窗口为、膨胀率为的深度可分离卷积操作,为窗口为的逐点卷积操作,为膨胀率;

表示第层映射特征图,表达式为,为双曲正切函数,和为两个可学习参数。

3.根据权利要求1所述的息肉图像分割方法,其特征在于,将优化特征图输入双分支注意力模块,进行通道分支注意力增强与压缩-激励分支注意力增强后,将两分支的输出融合,输出注意力增强特征图,包括:令优化特征图分别经过全局最大池化与全局平均池化后,进行加权求和,获取池化特征图;

对池化特征图进行通道注意力增强,获取第一增强特征图;

对优化特征图进行全局平均池化后,经压缩-激励分支进行注意力增强,获取第二增强特征图;

计算第一增强特征图与第二增强特征图的Hadamard积,并激活后,与优化特征图进行点乘,获取第三增强特征图;

令第三增强特征图与优化特征图进行残差连接,获取注意力增强特征图。

4.根据权利要求1所述的息肉图像分割方法,其特征在于,将相邻的第层与第层的注意力增强特征图输入同一跨层融合模块,进行特征融合,获取第层的融合特征图,包括:对第层注意力增强特征图与第层注意力增强特征图分别进行RBC操作后,计算Hadamard积,得到第一边缘置信度权重;所述RBC操作包括依次串联的卷积层、批归一化层与激活函数层;

对第层注意力增强特征图与第层注意力增强特征图分别进行RBC操作后,取其中的较大值,得到第二边缘置信度权重;

分别对第一边缘置信度权重与第二边缘置信度权重进行卷积与激活,获取第一边缘置信度与第二边缘置信度;

分别计算第一边缘置信度与第二边缘置信度的香农熵,获取第一乘积特征度量与第二乘积特征度量;

计算单位矩阵与第一乘积特征度量的差值,与第一边缘置信度的Hadamard积,获取第一优化边缘置信度特征图;

计算单位矩阵与第二乘积特征度量的差值,与第二边缘置信度的Hadamard积,获取第二优化边缘置信度特征图;

将第一优化边缘置信度特征图与第二优化边缘置信度特征图拼接后,进行RBC操作,获取第层注意力增强特征图与第层注意力增强特征图融合后的第层融合特征图。

5.根据权利要求1所述的息肉图像分割方法,其特征在于,基于第层、第层与第层的注意力增强特征图,计算第层与第层的聚合特征图,卷积获取第层的分割结果图,包括:对第层与第层的注意力增强特征图分别进行卷积后,拼接在一起,获取第层与第层的联合注意力增强特征图;

令第层与第层的联合注意力增强特征图依次经过全局平均池化与两层感知器操作后,获取感知特征图;

令第层与第层的联合注意力增强特征图与第层的注意力增强特征图拼接后,与感知特征图计算Hadamard积,获取乘积特征;

将乘积特征与第层注意力增强特征图拼接后,经过RBC操作,获取第层与第层的聚合特征图;所述RBC操作包括依次串联的卷积层、批归一化层与激活函数层;

将第层与第层的聚合特征图与第层的注意力增强特征图拼接,获取聚合拼接特征图;令聚合拼接特征图依次经过全局平均池化与两层感知器操作后,再与聚合拼接特征图计算Hadamard积,得到第层的聚合中间量;将聚合中间量与第层的注意力增强特征图拼接后,经过RBC操作,获取第层的聚合特征图;

对第层的聚合特征图进行卷积,获取第层的分割结果图。

6.根据权利要求1所述的息肉图像分割方法,其特征在于,基于第层的分割结果图与第层的融合特征图,进行逐层特征聚合,获取第层的分割结果图,包括:将第层注意力增强特征图与第层注意力增强特征图融合后的融合特征图,与第层的分割结果图拼接后,经过卷积,输出第层的基础特征图;

利用多个不同膨胀率的RBC操作对第层的基础特征图进行操作,获取第层的多个细边缘特征图;所述RBC操作包括依次串联的卷积层、批归一化层与激活函数层;

将第层的多个细边缘特征图与第层的基础特征图拼接后,经过RBC操作,得到第层的分割结果图,。

7.根据权利要求6所述的息肉图像分割方法,其特征在于,利用多个不同膨胀率的RBC操作对第层的基础特征图进行操作,获取第层的多个细边缘特征图,包括:利用第一膨胀率的RBC操作,对第层的基础特征图进行操作,获取第层的第一细边缘特征图;

利用第二膨胀率的RBC操作,对第层的基础特征图与第一细边缘特征图拼接后的特征图进行操作,获取第层的第二细边缘特征图;

利用第三膨胀率的RBC操作,对第层的基础特征图与第二细边缘特征图拼接后的特征图进行操作,获取第层的第三细边缘特征图。

8.根据权利要求1所述的息肉图像分割方法,其特征在于,训练好的息肉图像分割网络的获取,包括:利用高斯-拉普拉斯算子获取第层的分割结果图的边缘后,进行归一化,构建第层的分割结果图的长度项损失;

基于第层的分割结果图中的前景区域与背景区域,构建第层的分割结果图的区域项损失;

将第层的分割结果图的长度项损失与区域项损失相加,得到第层的分割结果图的主动轮廓损失;

基于第层的分割结果图与息肉掩码标签图,计算第层的分割结果图的加权二值交叉熵损失与加权交并比损失;

将第层结果分割图的主动轮廓损失、加权二值交叉熵损失与加权交并比损失相加,获取第层结果分割图的总损失;

将层结果分割图的总损失求和,获取主动轮廓联合损失函数,对息肉图像分割网络进行训练,直至主动轮廓联合损失函数收敛,获取训练好的息肉图像分割网络。

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时,实现如权利要求1至8任一项所述的息肉图像分割方法的步骤。