【技術實現步驟摘要】
本申請涉及圖像處理領域，特別是涉及一種基于圖像間關聯信息的病灶分割方法、設備、介質及產品。
技術介紹
1、醫學圖像分割技術通過將圖像中的關鍵區域與背景進行分割，為醫生提供了重要的視覺信息，有助于精確標注和分析疾病狀態。其中腦部腫瘤分割是一項具有挑戰性的任務。它的目標是從腦部mri圖像中準確提取和標注出顱內腫瘤區域。由于腦腫瘤的高致死率和難以根治的特征，準確地定位病灶區域對于后續治療至關重要。計算機輔助診斷技術的快速發展使得醫生能夠借助計算機的圖像分析能力更準確地診斷病情和腫瘤情況。然而，腦腫瘤不規則的邊界，多變的位置和復雜的紋理以及mri中灰度不均勻、類間對比度低、邊緣模糊等特點，使得達到穩定和精準的分割性能成為了當前研究中廣泛討論的主題。
2、隨著深度學習技術的發展，尤其是卷積神經網絡（cnn）廣泛應用，借助卷積神經網絡強大的特征提取能力，深度學習算法逐漸成為mri腦腫瘤圖像分割任務的主流，使得基于深度學習的圖像分割方法能夠利用其自我學習能力在脫離人工干預的同時更好地學習與任務相關的圖像特征。unet及其各種變體在腦腫瘤圖像分割領域取得了顯著的效果并展現出了強大的潛力。
3、通常情況下，腦腫瘤圖像數據會以三維圖像或二維切片的方式進入各類模型完成分割任務。然而由于腦腫瘤mri切片間存在病灶位置及尺寸等空間特征的連續性，二維模型完全沉溺在單張圖像的特征中，三維模型盡管能夠通過犧牲大量計算量來獲得一定的空間特征提取能力，其也較難完成對序列連續信息的特化處理。從自然語言處理領域移植的序列模型如lstm、tran
技術實現思路
1、本申請的目的是提供一種基于圖像間關聯信息的病灶分割方法、設備、介質及產品，提高了病灶區域分割的精度。
2、為實現上述目的，本申請提供了如下方案。
3、第一方面，本申請提供了一種基于圖像間關聯信息的病灶分割方法，包括如下步驟。
4、獲取待分割腫瘤切片序列。
5、將所述待分割腫瘤切片序列輸入到訓練后的mesh-ssm?unet序列分割模型中，得出病灶區分割結果序列；所述mesh-ssm?unet序列分割模型采用改進的unet網絡模型；在所述改進的unet網絡模型中，編碼器的各編碼層中的視覺特征提取單元采用串聯連接的2d選擇性掃描模塊和網狀傳播可選性掃描模塊組，解碼器的各解碼層中的視覺特征提取單元采用2d選擇性掃描模塊；所述網狀傳播可選性掃描模塊組用于對對應的2d選擇性掃描模塊輸出的圖像序列提取圖像序列間的關聯特征；所述待分割腫瘤切片序列輸入至所述編碼器的第一個編碼層中，所述病灶區分割結果序列由所述解碼器的最后一個解碼層輸出。
6、第二方面，本申請提供了一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序以實現上述的基于圖像間關聯信息的病灶分割方法。
7、第三方面，本申請提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現上述的基于圖像間關聯信息的病灶分割方法。
8、第四方面，本申請提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現上述的基于圖像間關聯信息的病灶分割方法。
9、根據本申請提供的具體實施例，本申請公開了以下技術效果。
10、本申請提供了一種基于圖像間關聯信息的病灶分割方法、設備、介質及產品，其中，方法包括獲取腫瘤切片序列；將腫瘤切片序列輸入到訓練后的mesh-ssm?unet序列分割模型中，得出病灶區分割結果序列；所述mesh-ssm?unet序列分割模型采用改進的unet網絡模型；在所述改進的unet網絡模型中，編碼器的各編碼層中的視覺特征提取單元采用串聯連接的2d選擇性掃描模塊和網狀傳播可選性掃描模塊組，解碼器的各解碼層中的視覺特征提取單元采用2d選擇性掃描模塊；所述網狀傳播可選性掃描模塊組用于對對應的2d選擇性掃描模塊輸出的圖像序列提取圖像序列間的關聯特征。本申請中，以腫瘤切片序列為分割模型的輸入數據，并設計了一種mesh-ssm?unet序列分割模型，能夠學習來自序列以及特征之間的序列關聯特征，提高了病灶區域的分割精度。
本文檔來自技高網...【技術保護點】
1.一種基于圖像間關聯信息的病灶分割方法，其特征在于，所述基于圖像間關聯信息的病灶分割方法包括：
2.根據權利要求1所述的基于圖像間關聯信息的病灶分割方法，其特征在于，所述網狀傳播可選性掃描模塊組包括層注意力機制模塊和多個串聯連接的Mesh-Cast?SSM模塊；每一所述Mesh-Cast?SSM模塊的輸出端還連接所述層注意力機制模塊的輸入端；
3.根據權利要求2所述的基于圖像間關聯信息的病灶分割方法，其特征在于，將每一Mesh-Cast?SSM模塊的輸出進行融合，得出融合特征，具體包括：
4.根據權利要求3所述的基于圖像間關聯信息的病灶分割方法，其特征在于，所述融合特征的計算表達式為：
5.根據權利要求2所述的基于圖像間關聯信息的病灶分割方法，其特征在于，所述Mesh-Cast?SSM模塊包括依次連接的第一選擇性掃描單元、第一Mesh-Cast單元、第二選擇性掃描單元和第二Mesh-Cast單元；
6.根據權利要求1所述的基于圖像間關聯信息的病灶分割方法，其特征在于，所述Mesh-SSM?UNet序列分割模型的訓練過程
7.根據權利要求6所述的基于圖像間關聯信息的病灶分割方法，其特征在于，所述第一模型損失誤差的表達式為：
8.一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序以實現權利要求1-7中任一項所述的基于圖像間關聯信息的病灶分割方法。
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-7中任一項所述的基于圖像間關聯信息的病灶分割方法。
10.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-7中任一項所述的基于圖像間關聯信息的病灶分割方法。
...【技術特征摘要】
1.一種基于圖像間關聯信息的病灶分割方法，其特征在于，所述基于圖像間關聯信息的病灶分割方法包括：
2.根據權利要求1所述的基于圖像間關聯信息的病灶分割方法，其特征在于，所述網狀傳播可選性掃描模塊組包括層注意力機制模塊和多個串聯連接的mesh-cast?ssm模塊；每一所述mesh-cast?ssm模塊的輸出端還連接所述層注意力機制模塊的輸入端；
3.根據權利要求2所述的基于圖像間關聯信息的病灶分割方法，其特征在于，將每一mesh-cast?ssm模塊的輸出進行融合，得出融合特征，具體包括：
4.根據權利要求3所述的基于圖像間關聯信息的病灶分割方法，其特征在于，所述融合特征的計算表達式為：
5.根據權利要求2所述的基于圖像間關聯信息的病灶分割方法，其特征在于，所述mesh-cast?ssm模塊包括依次連接的第一選擇性掃描單元、第一mesh-cast單元、第二選擇性掃描單元和第...
【專利技術屬性】
技術研發人員：丁輝，魯嘉鋮，尚媛園，劉鐵，邵珠宏，趙曉旭，霍其潤，王愷文，孫鑫雨，
申請(專利權)人：首都師范大學，
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。