【技術實現步驟摘要】
本專利技術屬于圖像增強領域，特別涉及一種用于產后康復優化的腹直肌超聲圖像增強方法。
技術介紹
1、隨著對產后康復的重視程度逐漸提高，腹直肌超聲檢查成為評估產婦腹直肌分離以及康復進展的重要手段，產后腹直肌分離是一種常見的情況，特別是在妊娠后期，由于腹壁肌肉受到胎兒體積增大的壓力而發生分離，導致腹部肌肉松弛和力學功能障礙，超聲成像被廣泛應用于診斷和評估這種病理變化，然而，超聲圖像在應用中面臨若干挑戰，主要包括圖像質量受到噪聲和偽影干擾、邊緣模糊不清以及組織結構分辨率不足問題，這些問題往往導致腹直肌的邊緣難以精確識別，影響了對腹直肌分離程度的準確評估，也可能在后續的康復治療中造成不準確的判斷，因此，如何增強腹直肌超聲圖像質量，使腹直肌的邊緣更加清晰，并提升組織的對比度和分辨率，是個重要研究課題。
2、近年來，基于卷積神經網絡（cnn）和基于transformer的模型在計算機視覺領域的應用逐漸增多，尤其是在圖像增強、超分辨率、目標檢測任務中，但是基于cnn的模型在捕獲圖像中遠程依賴關系方面存在缺陷，基于transformer的模型適合捕獲圖像中的遠程依賴關系，但是與基于cnn模型相比，基于transformer的模型在提取局部信息的效率較低，因此需要將cnn和transformer結合使用，最近，u-net架構中結合cnn和transformer，以在各種任務中尋求性能和計算復雜度之間的良好平衡，然而，cnn和transformer在哪里以及如何有效和高效地集成到u-net架構中還需要進一步的探索，鑒于此，本專利技術提出了
技術實現思路
1、本專利技術提供一種用于產后康復優化的腹直肌超聲圖像增強方法，旨在通過構建多維特征增強網絡，結合cnn和transformer來實現高效的圖像增強，采用cnn模塊處理編碼器和解碼器，并將transformer模塊置于全局上下文特征提取模塊，以充分發揮cnn的局部特征提取能力和transformer的全局特征提取能力，設計自適應卷積塊來學習卷積核的多種注意力，進一步提升局部特征提取的效果，保證圖像增強在性能和計算復雜度之間的平衡。
2、本專利技術旨在提出一種用于腹直肌超聲圖像增強模型，提供一種用于產后康復優化的腹直肌超聲圖像增強方法，包括以下步驟。
3、s1、獲取待處理的圖像，使用高頻探頭獲取產后康復優化的腹直肌超聲圖像。
4、s2、構建自適應卷積塊，包括平均池化層、全連接層、gelu激活函數和傳統卷積，學習圖像特征中的空間、通道和邊緣三個維度的注意力，有效聚合局部上下文信息。
5、s3、構建動態局部注意力模塊，包括批量歸一化層、局部自注意力和自適應卷積塊，用于提取局部信息。
6、s4、構建全局上下文特征提取模塊，包括層歸一化、空洞卷積、深度卷積層和softmax函數，提取全局上下文信息。
7、s5、構建多維特征增強網絡，由編碼器、全局上下文特征提取模塊、解碼器組成，其中編碼器由動態局部注意力模塊和下采樣組成，解碼器由上采樣和動態局部注意力模塊組成。
8、s6、構建腹直肌超聲圖像增強模型，模型由淺層特征提取模塊、多維特征恢復網絡和圖像重構模塊組成，將產后康復優化的腹直肌超聲圖像輸入到模型中，獲得增強后的產后康復優化的腹直肌超聲圖像。
9、優選地，在s2步驟中，對于自適應卷積塊，輸入圖像特征，使用平均池化層降低的維度，減少模型的參數和計算量?，，表示平均池化操作，池化結果通過全連接層和gelu激活函數進行維度映射，將特征向量映射到一個低維空間，對特征進行抽象表示，突出特征中的關鍵信息，同時使模型學習特征間復雜的非線性關系，，表示全連接層，表示gelu激活函數，維度映射后的特征向量經過全連層和sigmoid函數，生成空間維度注意力因子、通道維度注意力因子和邊緣維度注意力因子，，表示全連接層，表示sigmoid函數，在三個注意力因子之后引入門控機制，通過控制信號來動態調整權重的激活程度，提升注意力因子對關鍵特征的選擇能力，，，，表示門控機制，、和分別表示動態調整后的空間維度注意力因子、通道維度注意力因子和邊緣維度注意力因子，使用注意力因子對傳統卷積進行動態調整，獲得動態卷積，表示元素相乘，最后使用動態卷積對特征進行卷積操作，精準地提取輸入特征中的局部關鍵信息，同時抑制不相關信息的影響，，表示動態卷積操作。
10、優選地，在s2步驟中，通過平均池化降低輸入特征的維度，以減少計算量和參數復雜度，隨后利用全連接層和gelu激活函數將特征映射到低維空間，提取關鍵信息，接著，通過全連接層和sigmoid生成多維度的注意力因子，并利用門控機制動態調整這些注意力因子，以增強它們對關鍵信息的選擇能力，最后，將調整后的注意力因子用于傳統卷積生成動態卷積，以實現對輸入特征的精確卷積，既提取局部關鍵信息，又抑制不相關信息的影響，從而提高局部特征提取的精度和效率。
11、優選地，在s2步驟中，根據輸入圖像的方差動態調整全連接層的權重，設為調整系數，當方差較大時，增加權重的縮放比例：
12、，其中為方差閾值，用于判斷降質程度是否嚴重。
13、優選地，在s2步驟中，動態調整全連接層的權重能夠根據輸入圖像的質量動態調整模型的參數，使得模型在處理圖像質量變化時具有更好的魯棒性和自適應性，提高了特征提取的有效性。
14、優選地，在s3步驟中，對于動態局部注意力模塊，輸入圖像特征，首先對輸入特征進行批量歸一化處理，確保特征值的分布穩定，提升訓練穩定性，通過1×1卷積層和3×3卷積層提取局部特征，捕獲感受視野內的上下文信息，然后通過局部自注意力增強重要特征，，表示批量歸一化操作，表示1×1卷積層，表示3×3卷積層，表示局部自注意力，經過自適應卷積塊有效聚合局部上下文信息，然后使用1×1卷積層對特征進行壓縮，最后引入殘差連接緩解梯度消失問題，表示1×1卷積層，表示自適應卷積塊，表示元素相加。
15、優選地，在s3步驟中，旨在通過對輸入圖像特征進行批量歸一化以穩定特征分布，進而使用1×1和3×3卷積提取局部上下文信息。然后通過局部自注意力機制強化重要特征，以提升對局部區域的特征表達能力。在此基礎上，利用自適應卷積塊對局部特征進行有效聚合，最終使用1×1卷積對特征進行壓縮，并通過殘差連接來保持特征的有效傳遞，緩解梯度消失問題。整個模塊的作用是通過動態局部注意力和自適應聚合增強局部特征的表達能力，確保在卷積過程中保留關鍵信息，從而提升模型的整體性能和穩定性。
16、優選地，在s4步驟中，對于全局上下本文檔來自技高網...
【技術保護點】
1.一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在S2步驟中，對于自適應卷積塊，輸入圖像特征，使用平均池化層降低的維度，減少模型的參數和計算量?，，表示平均池化操作，池化結果通過全連接層和GeLU激活函數進行維度映射，將特征向量映射到一個低維空間，對特征進行抽象表示，突出特征中的關鍵信息，同時使模型學習特征間復雜的非線性關系，，表示全連接層，表示GeLU激活函數，維度映射后的特征向量經過全連層和Sigmoid函數，生成空間維度注意力因子、通道維度注意力因子和邊緣維度注意力因子，，表示全連接層，表示Sigmoid函數，在三個注意力因子之后引入門控機制，通過控制信號來動態調整權重的激活程度，提升注意力因子對關鍵特征的選擇能力，，，，表示門控機制，、和分別表示動態調整后的空間維度注意力因子、通道維度注意力因子和邊緣維度注意力因子，使用注意力因子對傳統卷積進行動態調整，獲得動態卷積，表示元素相乘，最后使用動態卷積對特征進行卷積操作，精準地提取輸入特征中的局部關鍵信息
3.根據權利要求2所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在自適應卷積塊中，根據輸入圖像的方差動態調整全連接層的權重，設為調整系數，當方差較大時，增加權重的縮放比例：
4.根據權利要求1所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在S3步驟中，對于動態局部注意力模塊，輸入圖像特征，首先對輸入特征進行批量歸一化處理，確保特征值的分布穩定，提升訓練穩定性，通過1×1卷積層和3×3卷積層提取局部特征，捕獲感受視野內的上下文信息，然后通過局部自注意力增強重要特征，，表示批量歸一化操作，表示1×1卷積層，表示3×3卷積層，表示局部自注意力，經過自適應卷積塊有效聚合局部上下文信息，然后使用1×1卷積層對特征進行壓縮，最后引入殘差連接緩解梯度消失問題，表示1×1卷積層，表示自適應卷積塊，表示元素相加。
5.根據權利要求1所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在S4步驟中，對于全局上下文特征提取模塊，輸入圖像特征，經過層歸一化操作，對每個通道的特征進行歸一化處理，使其在均值和方差上具有更好的穩定性，有助于加速模型訓練和提高模型的泛化能力，然后使用空洞卷積在不增加參數數量和計算量的情況下，增大卷積核的感受野，表示層歸一化操作，表示空洞卷積，k表示卷積核大小，d表示擴張率，接著通過1×1卷積層和深度3×3卷積層得到Q、K和V，，，，表示1×1卷積層，表示深度3×3卷積層，Q、K和V分別表示查詢、鍵和值，為了將Q、K、V的形狀調整到適合進行矩陣乘法運算的形式，需要對Q、K、V進行重塑，，，，表示重塑操作，對重塑后的和進行矩陣乘法操作，再通過Softmax函數計算得到注意力圖，用來表示不同位置之間的相關性程度，值根據注意力圖進行加權求和，得到經過注意力加權后的特征表示，表示Softmax函數，表示元素相乘，表示元素相加，之后通過1×1卷積層進行變換，然后引入殘差連接緩解梯度消失問題，表示1×1卷積層，表示元素相加，然后使用1×1卷積層和ReLU激活函數擴大特征通道數和增加非線性，使用7×7卷積層提取全局空間信息，之后使用1×1卷積層將通道維度還原，最后引入殘差連接緩解梯度消失問題，表示1×1卷積層，表示7×7卷積層，表示ReLU激活函數，表示元素相加。
6.根據權利要求1所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在S5步驟中，多維特征增強網絡由編碼器、全局上下文特征提取模塊、解碼器組成，其中編碼器由動態局部注意力模塊和下采樣組成，在編碼器中，先使用動態局部注意力模塊提取局部特征，然后通過下采樣降低空間分辨率，聚合更多局部上下文信息，，表示動態局部注意力模塊，表示下采樣，和是編碼器的兩個輸出，輸入到解碼器用于特征融合，作為下一個編碼器的輸入，解碼器由上采樣和動態局部注意力模塊組成，在解碼器中，先通過上采樣將特征逐步恢復到原始分辨率，然后上采樣的特征與編碼器輸入的特征進行特征融合，融合后的特征使用動態局部注意力模塊優化特征，增強圖像質量，，表示動態局部注意力模塊，表示上采樣，作為下一個解碼器的輸入，輸入淺層特征提取模塊提取的淺層特征到編碼器，使用編碼器提取局部多尺度特征，然后使用全局上下文特征提取模塊提取全局特征，最后使用解碼器逐步將特征恢復至輸入時的分辨率，并結合編碼器跳躍連接的信息，獲得增強后的圖像特征。
...【技術特征摘要】
1.一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在s2步驟中，對于自適應卷積塊，輸入圖像特征，使用平均池化層降低的維度，減少模型的參數和計算量?，，表示平均池化操作，池化結果通過全連接層和gelu激活函數進行維度映射，將特征向量映射到一個低維空間，對特征進行抽象表示，突出特征中的關鍵信息，同時使模型學習特征間復雜的非線性關系，，表示全連接層，表示gelu激活函數，維度映射后的特征向量經過全連層和sigmoid函數，生成空間維度注意力因子、通道維度注意力因子和邊緣維度注意力因子，，表示全連接層，表示sigmoid函數，在三個注意力因子之后引入門控機制，通過控制信號來動態調整權重的激活程度，提升注意力因子對關鍵特征的選擇能力，，，，表示門控機制，、和分別表示動態調整后的空間維度注意力因子、通道維度注意力因子和邊緣維度注意力因子，使用注意力因子對傳統卷積進行動態調整，獲得動態卷積，表示元素相乘，最后使用動態卷積對特征進行卷積操作，精準地提取輸入特征中的局部關鍵信息，同時抑制不相關信息的影響，，表示動態卷積操作。
3.根據權利要求2所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在自適應卷積塊中，根據輸入圖像的方差動態調整全連接層的權重，設為調整系數，當方差較大時，增加權重的縮放比例：
4.根據權利要求1所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在s3步驟中，對于動態局部注意力模塊，輸入圖像特征，首先對輸入特征進行批量歸一化處理，確保特征值的分布穩定，提升訓練穩定性，通過1×1卷積層和3×3卷積層提取局部特征，捕獲感受視野內的上下文信息，然后通過局部自注意力增強重要特征，，表示批量歸一化操作，表示1×1卷積層，表示3×3卷積層，表示局部自注意力，經過自適應卷積塊有效聚合局部上下文信息，然后使用1×1卷積層對特征進行壓縮，最后引入殘差連接緩解梯度消失問題，表示1×1卷積層，表示自適應卷積塊，表示元素相加。
5.根據權利要求1所述的一種用于產后康復優化的腹直肌超聲圖像增強方法，其特征在于，在s4步驟中，對于全局上下文特征提取模塊，輸入圖像特征...
【專利技術屬性】
技術研發人員：常金風，吳慧，王玉璽，饒志鵬，弭吉越，
申請(專利權)人：山東黃海智能裝備有限公司，
類型：發明
國別省市：
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。