【技術實現步驟摘要】
本專利技術涉及醫學圖像分割，特別涉及一種基于區域與邊界協作的醫學圖像分割方法。
技術介紹
1、醫學圖像分割是計算機輔助診斷的關鍵步驟。該方法能夠從醫學圖像中自動識別和定位出醫生所關注的目標區域(例如，器官、腫瘤、病灶等)。在臨床實踐中，醫學圖像分割技術可大幅減輕醫生的工作負擔，降低整體治療成本，為醫生的疾病診斷、治療、手術規劃等方面提供重要依據。
2、近年來，深度學習憑借其強大的特征表示能力已成為醫學圖像分割領域的主流技術。現有方法雖然取得了顯著的性能增益，但仍然存在醫學圖像場景復雜(例如，目標區域尺度變化大、邊界不規則等)，過分割或欠分割等問題。此外，現有方法通常僅依靠學習區域特征來實現分割任務，并沒有與邊界知識結合共同優化特征表示，存在區域與邊界之間相關性挖掘不足的問題，限制其分割性能。
技術實現思路
1、本專利技術目的是克服上述現有技術存在的缺陷，提供一種基于區域與邊界協作的醫學圖像分割方法，通過提取目標區域和邊界信息，挖掘兩者之間相關性，從而提高模型分割性能。
2、本專利技術的上述目的通過以下技術方案實現：
3、本專利技術的一個方面，提供了一種基于區域與邊界協作的醫學圖像分割方法，包括如下步驟：
4、步驟一、對醫學圖像數據集進行預處理，其次在數據集中的分割掩碼上運用sobel算子獲取邊界掩碼，并對醫學圖像進行數據增強(包括顏色抖動，隨機裁剪，隨機旋轉等)。公式如下：
5、gb＝sobel(g)
6、ne
7、其中，g為醫學圖像的分割掩碼，sobel(·)表示sobel算子，gb為邊界定位掩碼；i為原圖像，da(·)表示數據增強策略,new_i為數據增強后的圖像；
8、步驟二、從訓練集中采樣醫學圖像、對應的分割掩碼以及邊界定位掩碼，構成一個batch；batch＝cat(new_i,g,gb)，其中cat為張量拼接操作；
9、步驟三、將batch數據的new_i輸入共享編碼器eθ1進行前向傳播，其中eθ1使用經典的分類模型并加載其imagenet上的預訓練權重，提取多層特征；
10、fi＝eθ1(new_i)
11、步驟四、將編碼器eθ1提取到的多層特征輸入到兩個并聯的網絡s1和s2，獲得到區域特征ri和邊界特征bi。其中，網絡s1和s2分別由多層特征優化器和對應的解碼器組成(區域檢測解碼器rθ2和邊界定位解碼器bθ3)，表達示如下：
12、s1＝mlp(fi)⊙rθ2
13、s2＝mlp(fi)⊙bθ3
14、區域特征ri和邊界特征bi分別表示為：
15、ri＝rθ2(mlp(fi))
16、bi＝bθ3(mlp(fi))
17、其中，mlp(·)為多層特征優化器；⊙表示網絡級聯；
18、步驟五、基于區域與邊界之間協作推理，獲取區域特征ri和邊界特征bi之間的相關性，生成相關性線索fr，公式描述如下：
19、fr＝relation(ri,bi)
20、其中，relation(·)代表推理操作，具體可由交叉注意力或圖卷積等操作實現；
21、步驟六、利用相關性線索fr，進一步優化區域特征ri′與邊界特征bi′，使得區域特征在邊界處有強相應，邊界特征中去除區域內部的雜亂邊界。公式描述如下：
22、ri′＝optimization(ri,fr)
23、bi′＝optimization(bi,fr)
24、其中，optimization(·)表示優化操作；
25、步驟七、聚合優化后的區域特征ri′與邊界特征bi′，獲得分割預測圖p，公式如下：
26、p＝sigmoid(aggregate(ri′,bi′))
27、其中，sigmoid(·)表示sigmoid激活函數，aggregate(·)代表聚合操作；
28、步驟八、對區域特征，邊界特征，以及生成的分割預測圖s進行損失計算。總損失定義如下：
29、ltotal＝αlr+βlb+γlp
30、lr＝lppa(ri,g)+lppa(ri′,g)
31、lb＝lbce(bi,gb)+lbce(bi′,gb)
32、lp＝lppa(s1,g)+lppa(s2,g)
33、其中，α，β和γ為超參數，用于平衡各部分損失，lppa為像素位置感知損失，lbce為二元交叉熵損失；
34、步驟九、重復步驟三至步驟八，直到當前迭代次數達到預定義的最大迭代次數；
35、步驟十、將待預測醫學圖像送入訓練好的模型進行前向傳播，得到最終分割結果。
36、本專利技術的另一個方面，提供了一種電子設備，包括：一個或多個處理器以及存儲器，所述存儲器內存儲一個或多個執行上述基于區域與邊界協作的醫學圖像分割方法的指令。
37、此外，本專利技術提供了一種計算可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時，實現如上所述的基于區域與邊界協作的醫學圖像分割方法。
38、本專利技術的有益效果在于：本專利技術提出了一種基于區域與邊界協作的醫學圖像分割方法。該方法將區域檢測和邊界定位在同一框架下執行，獲取初始區域與邊界信息，利用協作推理塊挖掘區域與邊界之間的相關性，起到區域特征與邊界特征相互優化的作用。最后，通過有效聚合區域與邊界特征獲得更為準確的分割結果。本算法不僅能夠提高目標區域的分割效果，而且能夠提升邊界的定位性能。
本文檔來自技高網...【技術保護點】
1.一種基于區域與邊界協作的醫學圖像分割方法，其特征在于，包括如下步驟：
【技術特征摘要】
1.一種基于區域與邊界協作的醫學圖像...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。