一种基于边界引导的息肉图像分割方法

技术特征：
1.一种基于边界引导的息肉图像分割方法，其特征在于，包括：构建息肉图像分割模型；将待分割的息肉图像输入息肉图像分割模型中，得到各个侧输出的区域预测图p
r4-p
r1
和边界预测图p
b4-p
b1
，并将其上采样至与待分割的息肉图像相同的分辨率，得到区域预测图和边界预测图利用交叉熵损失函数计算区域预测图边界预测图与真实标注图之间的误差，并将误差进行反向传递以更新息肉图像分割模型参数，以训练息肉图像分割模型；将待分割的息肉图像输入至训练好的息肉图像分割模型中，将残差细化译码器a输出的区域预测图通过一个sigmoid层归一化至(0,1)，再恢复原图像分辨率后输出为最终的分割结果。2.如权利要求1所述的基于边界引导的息肉图像分割方法，其特征在于，所述构建息肉图像分割模型包括：以res2net-50为骨干网络，将骨干网络是layerb～layere作为侧输出特征f
t
(t＝1,2,3,4),分别送入残差细化译码器a～c和初始定位译码器，其中，t表示骨干网络的侧输出级数，t＝1～4对应骨干网络layerb～e的侧输出级；通过初始定位译码器检测息肉组织的初始粗位置，且该初始定位译码器的输出结果图的分辨率为原图像的1/32；通过残差细化译码器a～c修复息肉组织的初始粗位置中丢失的目标部分，并细化边界细节。3.如权利要求2所述的基于边界引导的息肉图像分割方法方法，其特征在于，初始定位译码器的工作过程包括：通过初始定位译码器将输入特征f4送入一个1
×
1卷积层，将通道数降为64，得到输入特征x4，卷积层的参数为{2048，64，1
×
1}，其中，{in_channel，out_channel，k
×
k}的in_channel表示输入特征的通道数，out_channel表示输出特征的通道数，k表示卷积核大小，卷积层后附有一个批归一化层batchnorm和一个非线性激活层relu；将输入特征x4输入至一个分层分裂卷积hsc，得到息肉组织的边界特征输入至一个分层分裂卷积hsc，得到息肉组织的边界特征而后经过一个卷积层将通道数降为1，卷积参数为{64，1，3
×
3}，卷积层后附有一个批归一化层batchnorm和一个非线性激活层relu，得到该初始定位译码器的初始边界预测图归一化层batchnorm和一个非线性激活层relu，得到该初始定位译码器的初始边界预测图其中，hsc(
·
)表示分层分裂卷积操作，conv3×3(
·
)表示3
×
3卷积层；将息肉组织的边界特征与输入特征x4沿通道维度拼接，进行边界-区域引导学习，再输入4个卷积层中学习区域特征，卷积参数依次为{128,64,3
×
3}、{64,64,3
×
3}、{64,64,3
×
3}、{64,1,3
×
3}，卷积层后都附有一个批归一化层batchnorm和一个非线性激活层relu，最后输出初始定位译码器的区域预测图
其中，cat(
·
)表示沿通道维度进行拼接操作。4.如权利要求2或3所述的基于边界引导的息肉图像分割方法，其特征在于，残差细化译码器a～c的工作过程包括：将输入特征f1～f3输入一个1
×
1卷积层把通道数降为64，得到输入特征x
t
,(t＝[1,2,3])，卷积参数为{in_channel，64，1
×
1}，卷积层后附有一个批归一化层batchnorm和一个非线性激活层relu，再将其分别送入边界分支和区域分支中进行残差修正。5.如权利要求4所述的基于边界引导的息肉图像分割方法，其特征在于，所述送入边界分支进行残差修正包括：在边界分支中，对深层区域预测上采样至和输入特征x
t
相同分辨率，再与输入特征x
t
相拼接得到边界特征征将边界特征输入一个卷积层把通道数降为1，卷积参数为{64，1，3
×
3}，卷积层后附有一个批归一化层batchnorm和一个非线性激活层relu，得到该译码器输出的边界预测图有一个批归一化层batchnorm和一个非线性激活层relu，得到该译码器输出的边界预测图其中，up(
·
)表示上采样操作，conv3×3(
·
)表示3
×
3卷积层。6.如权利要求5所述的基于边界引导的息肉图像分割方法，其特征在于，所述送入区域分支进行残差修正包括：在区域分支中，通过反向注意力机制模块得到区域特征再将其与边界特征沿通道维度进行拼接得到融合边界特征后的区域特征道维度进行拼接得到融合边界特征后的区域特征通过四个卷积层对进行残差学习，卷积参数依次为{128，64，3
×
3}、{64，64，3
×
3}、{64，64，3
×
3}、{64，1，3
×
3}，前三个卷积层后都附有一个批归一化层batchnorm和一个非线性激活层relu，最后一个卷积层将通道数降为1，再将其结果与上采样后的深层区域预测相加，得到残差细化译码器a～c输出的区域预测图相加，得到残差细化译码器a～c输出的区域预测图7.如权利要求5或6所述的基于边界引导的息肉图像分割方法，其特征在于，包括：分层分裂卷积hsc为：步骤1：将输入特征x4在通道维度上分成6个分裂组，分别为[x1,x2,x3,x4,x5,x6]，其中，x
1-x5分别有11个通道，x6有9个通道，具体表示为：[x1,x2,x3,x4,x5,x6]＝split(x4)其中，split(
·
)表示沿通道维度进行分裂；
步骤2：将第一个分裂组x1送入膨胀率为r1的膨胀卷积得到输出特征d1，膨胀卷积后附有一个批归一化层batchnorm和一个非线性激活层relu，输出特征d1具体计算公式为：其中，表示膨胀率为r1的膨胀卷积，第1-5个分裂组所使用的膨胀卷积的膨胀率分别为r
k
＝[1,2,4,6,8],(k＝1,2,3,4,5)；步骤3：将输出特征d1沿通道维度分为两组，分别表示为d
1,1
和d
1,2
，分别有6个通道和5个通道，具体表示为：d
1,1
，d
1,2
＝split(d1)将d
1,2
与下一个分裂组x2沿通道维度拼接得到新的分裂组具体表示为：其中为新的分裂组将输入另一个膨胀率为r2的膨胀卷积，膨胀卷积后附有一个批归一化层batchnorm和一个非线性激活层relu，得到输出特征d2，其有16个通道，具体计算公式为：步骤4：将输出特征d2分为两组，分别表示为d
2,1
和d
2,2
，分别有8个通道和8个通道，具体表示为：d
2,1
，d
2,2
＝split(d2)将d
2,2
与下一个分裂组x3沿通道维度拼接得到新的分裂组新的分裂组具体表示为：将输入另一个膨胀率为r3的膨胀卷积，得到输出特征d3，其有19个通道，具体计算公式为：步骤5：重复步骤2至步骤3操作数次，直至所有分裂组完成，最后再将所有的分裂组拼接恢复通道数64，得到息肉组织的边界特征接恢复通道数64，得到息肉组织的边界特征其中，x6表示最后一个分裂组。8.如权利要求7所述的基于边界引导的息肉图像分割方法，其特征在于，所述反向注意力机制模块包括：将深层区域预测上采样至与输入特征x
t
(t＝[1,2,3])相同分辨率，然后输入一个sigmoid层归一化至(0,1)，再与1相减，生成反向权重图sigmoid层归一化至(0,1)，再与1相减，生成反向权重图将反向权重图乘以区域特征的每个通道，得到加权后的区域特征
其中，表示区域特征的第c个通道。

技术总结
本发明公开了一种基于边界引导的息肉图像分割方法，包括：构建息肉图像分割模型；将待分割的息肉图像输入息肉图像分割模型中，得到各个侧输出的区域预测图P


技术研发人员：陈舒涵 陆露 徐秀奇 俞锦豪 陈泽宇 汤浩楠
受保护的技术使用者：扬州大学
技术研发日：2022.03.10
技术公布日：2022/6/10