【技術實現步驟摘要】
本專利技術涉及圖像處理技術，具體是一種基于wka-unet的mri圖像分割方法。
技術介紹
1、圖像分割是計算機視覺領域中的一個重要任務，旨在將圖像劃分為具有相似特征的不同區域。早期的圖像分割算法主要基于傳統的計算機視覺技術，包括閾值處理、區域生長、邊緣檢測等。michael?kass等人在1988年提出active?contour?models圖像分割方法，使用一個能夠自動收縮和擴展的曲線，該曲線可以在圖像中感知到的特征周圍移動，這個曲線的形狀是通過最小化一個能量函數來確定的，通過優化這個能量函數，可以獲得適應圖像邊緣的曲線。r.adams等人提出一種區域生長方法用于圖像分割，通過合并和生長過程，該算法能夠自適應地生成具有相似特性的圖像區域，在圖像分割中經常應用，尤其是用于定位和分割器官、病變結構。john?canny等人提出一種邊緣檢測算法，以解決在圖像中準確檢測邊緣的問題，canny邊緣檢測算法不僅在實踐中表現優越，而且在理論上也得到了充分的解釋，在圖像處理領域是一種高效且魯棒的邊緣檢測方法。這些方法在一些場景下表現良好，但在復雜背景和變化較大的情況下通常效果有限。隨著深度學習的興起，卷積神經網絡(cnn)和其它深度學習架構在圖像分割中取得了顯著的成就：imran等人提出了一種新的漸進式對抗式語義分割模型，該模型可以在訓練期間進行改進的分割預測，而不需要特定領域的數據；ronneberger等提出了u-net網絡，它由編碼器，解碼器以及跳躍連接三部分組成。編碼器進行多次下采樣和卷積操作，降低圖像分辨率的同時獲取圖像上下文信
2、深度學習在圖像分割中的應用已成為一種普遍趨勢，隨著計算機性能取得很大的突破，深度學習發展迅速，在圖像處理領域獲得很大的成就，針對u-net網絡連續池化和卷積會降低圖像的分辨率，導致部分空間信息丟失，難以提取更多的特征導致分割精確度較低的特點，可改進方案越來越多。
技術實現思路
1、本專利技術的目的是針對現有技術的不足，而提供一種基于wka(wave-kan-attention，簡稱wka)-unet的mri圖像分割方法。這種方法能提升模型對小目標的分割性能，針對多組織重疊干擾多的mri影像，在邊緣細節上能分割地更加精準。
2、實現本專利技術目的的技術方案是：
3、一種基于wka-unet的mri圖像分割方法，包括如下步驟：
4、1)數據預處理：采集圖像數據集，由于數據集來源于不同的地點、時間點、成像設備，因此數據個體差異，數據異質性的問題不可避免，同時，圖像質量也面臨挑戰，例如數據分布的不均勻性、顯著的對比度波動和噪聲干擾，因此，在進行圖像分割之前，必須執行一系列系統的預處理步驟，數據預處理包括異常圖像處理、高斯噪聲、尺寸縮放、對比度調節、數據增強，數據預處理目的用以提升圖像質量、數量，確保數據標準化，從而提高后續分割算法的準確性和可信度，具體為：
5、1-1)異常圖像處理：為了確保數據的質量和一致性，需要剔除不適合用于訓練的數據異常圖像，以提高模型的分割精度，異常圖像包括：成像偽影嚴重的圖像、低分辨率低質量的影像、不包含完整目標區域的影像、嚴重病變的影像，異常圖像不適用于模型訓練，分辨率過低、質量過低、噪聲過高的圖像會導致圖像緣模糊，使網絡無法準確學習圖像的邊界特征，確保圖像分辨率能夠清晰地分辨是圖像預處理的關鍵一步，通過異常圖像處理，剔除質量較差或模糊的圖像樣本，以保障實驗數據的整體可靠性。
6、1-2)高斯噪聲：向圖像添加高斯噪聲，模擬噪聲環境下的mri圖像，通過隨機數生成器生成符合高斯分布的隨機數，將生成的隨機數值添加到圖像的每個像素上，采用numpy中的numpy.random.normal()函數，生成滿足高斯分布的噪聲，并疊加在圖像像素值上；
7、1-3)尺寸縮放：采用圖像處理庫或編程語言自帶的resize()函數完成圖像尺寸的調整，采用最近鄰插值方法時，對于每個目標像素，它的值將被設置為與之最近的輸入像素的值，具體為：調整圖像大小，將輸入圖像縮放至指定的目標尺寸；像素值賦值，對于每個目標像素，確定與之距離最近的輸入像素，并將該輸入像素的值賦給目標像素，圖像最終統一裁剪或縮放到256×256像素，消除因尺寸差異造成的影響；
8、1-4)對比度調節：采用圖對比度調節即直方圖均衡化和對比度拉伸，以增強圖像的對比度并突出感興趣區域，具體為：對圖像進行直方圖均衡化，使得圖像的對比度增強；采用opencv的cv2.equalizehist()函數，對灰度圖像進行均衡化；
9、1-5)數據增強：采用幾何變換、翻轉來擴展數據集，以克服其規模的限制，幾何變換通過旋轉操作，將mri圖像順時針旋轉30度，這種旋轉可以改變圖像邊緣部位在圖像中的角度位置，讓模型能夠學習到物體在不同角度下的特征，翻轉是采用上下水平鏡像操作生成鏡像圖像，可以有效增加訓練樣本的數量，從而提達到數據增強的目的，同時，上下水平鏡像能提高數據集的多樣性，從而使模型更好地學習特征，降低在訓練集上的過擬合風險，在mri圖像中，多可能呈現多種變換形態，目標可能會出現不同方向的變化，鏡像處理可以幫助模型更好地識別這些變化；
10、1-6)分類：將經過步驟1-1)-步驟1-5)數據預處理后的圖像數據集擴展至1000幅圖片，并按照7:3的比例劃分為訓練集、測試集；
11、2)構建wka-unet網絡：wka-unet基于unet網絡進行改進，引入了wka模塊，在unet網絡每一層中嵌入wka模塊，能夠逐層強化特征表示能力，從而提高整個網絡在處理復雜特征時的魯棒性和精確性，其中，unet網絡是用于生物醫學圖像分割的卷積神經網絡架構，它引入一種新穎的網絡結構和訓練策略解決了傳統方法在數據量不足時面臨的挑戰，unet網絡的主要思想是利用數據增強技術來高效利用有限的標注本文檔來自技高網...
【技術保護點】
1.一種基于WKA-Unet的MRI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wka-unet的mri圖...
【專利技術屬性】
技術研發人員：王子民，常韜，楊晨，姚志昆，陸尹凱，
申請(專利權)人：桂林電子科技大學，
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。