一种基于RPECformer的医学图像分割方法

本发明属于图像处理，特别是涉及一种基于rpecformer的医学图像分割方法。

背景技术：

1、随着人工智能技术不断发展，深度学习模型也逐渐被用于医学图像分割。通过计算机进行医学图像分割可以减少医生的工作量，降低人为因素的影响。

2、现有的医学影像分割模型主要采用了u型结构，并通过全卷积网络提取图像特征。代表为unet网络，它主要由encoder和decoder两部分组成，并通过相同大小的下采样和上采样，保证了图像分辨率的一致性，有效提高了网络的特征提取能力。基于unet的设计思想，许多改进的网络被不断提出，如u-net++、u-net3+、res-unet、attention u-net等网络，这些网络在unet的基础上进一步提升模型的分割精度。然而，这些网络虽然可以提取网络的局部特征并进行图像分割任务，但是难以有效提取全局特征，其图像分割精度还能被进一步提升。

3、由于transformer能够很好的提取图像中的全局特征，越来越多的学者将其应用到图像分割领域。如jieneng chen等提出了transunet，该模型采用cnn提取医学影像中的局部特征，同时采用了transformer提取全局特征，并通过跨层连接的方式有效提高医学图像的分割精度。然而，上述方法在提取图像特征过程中没有考虑特征段之间的关联特征，医学图像的分割精度还能进一步被提高，如何对复杂多变医学图像特征信息提取全局和局部特征，实现医学图像进行分割，成为了本领域技术人员急需解决的问题。

技术实现思路

1、本发明的目的是提供一种基于rpecformer的医学图像分割方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于rpecformer的医学图像分割方法，包括：

3、采集生物医学图像数据集，对所述生物医学图像数据集进行分类标记；

4、对分类标记后的所述生物医学图像数据集中的图片进行预处理，获得相同尺寸的图像数据集；

5、构建医学图像分割模型与损失函数，将各分类下的图像数据集按照预设比例划分为训练集与测试集，结合所述损失函数对所述医学图像分割模型进行训练，其中，所述损失函数包括焦点损失和dice损失；

6、将待分割医学图像输入至训练后的医学图像分割模型实现分割。

7、可选的，所述医学图像分割模型对所述待分割医学图像进行初级特征提取，对所述初级特征进行转化后编码；对编码后的初级特征进行进一步特征提取，获得关联特征，通过反卷积对所述关联特征进行解码。

8、可选的，基于多头注意力机制与循环神经网络构建所述医学图像分割模型；

9、所述医学图像分割模型包括transformer结构。

10、可选的，初级特征提取的过程包括：通过多个残差模块对各分类下的图像数据集进行初级特征提取。

11、可选的，获得编码的过程包括：将所述初级特征转化为一维数据并通过相对位置嵌入方式进行编码，其中，编码方式如下：

12、

13、式中，u、v为可训练参数，用于替换查询向量其中u,v∈rd；wk,e,wk,r为关键向量和基于位置的关键向量的权重；ri-j表示输入特征之间的相对位置关系。

14、可选的，输入特征之间的相对位置关系采用正弦函数生成，其中每一段特征的位置编码为：

15、

16、

17、式中，pos表示位置信息，m表示输入特征段的维度。

18、可选的，对编码后的初级特征进行进一步特征提取的过程包括：将初级特征的编码进行滑窗处理，并采用递归循环方式输入至transformer结构进行特征学习，实现进一步特征提取。

19、可选的，所述特征学习方式为：

20、

21、式中，sg()表示停止梯度更新，表示与的拼接操作,ln表示层归一化，ms表示掩码softmax，pff表示前馈位置感知操作。

22、可选的，所述损失函数计算方法如下：

23、

24、其中，lce为bce_loss，ldice为dice损失；m表示图像分割的类别总数，n为图像像素总数δ；为损失权重自适应因子，γ为聚焦参数，γ＞0，yij表示第j个像素点是否属于类别i的概率，当第j个像素点属于类别i时yij＝1，不属于时yij＝0；y′ij表示模型的输出概率，其取值区间为y′ij∈[0,1]；ε为一个常数。

25、本发明的技术效果为：

26、本发明首先采用相对位置对医学图像特征进行编码，同时采用循环注意力机制对特征进行提取，最后采用所提自适应损失函数对模型进展训练，进而实现了准确医学图像分割。通过相对位置嵌入方式，提升模型图像特征的提取能力；对特征数据进行了滑窗处理，并采用递归方式循环学习输入特征，增强了模型的特征提取能力；采用本发明的损失函数训练模型，可以有效解决训练数据中分割的对象数量不相同导致模型过拟合的问题。

技术特征：

1.一种基于rpecformer的医学图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于rpecformer的医学图像分割方法，其特征在于，

3.根据权利要求2所述的基于rpecformer的医学图像分割方法，其特征在于，

4.根据权利要求2所述的基于rpecformer的医学图像分割方法，其特征在于，

5.根据权利要求2所述的基于rpecformer的医学图像分割方法，其特征在于，

6.根据权利要求5所述的基于rpecformer的医学图像分割方法，其特征在于，

7.根据权利要求3所述的基于rpecformer的医学图像分割方法，其特征在于，

8.根据权利要求7所述的基于rpecformer的医学图像分割方法，其特征在于，

9.根据权利要求1所述的基于rpecformer的医学图像分割方法，其特征在于，

技术总结
本发明公开了一种基于RPECformer的医学图像分割方法，包括：输入医学图像；采用多个残差模块提取医学影像的初级特征，将其转化为一维数据后进行相对位置编码；对医学影像特征进行进一步提取，并采用反卷积进行解码；利用所提自适应损失函数对模型进展训练，实现了准确医学图像分割。本发明中的RPECformer网络，首先采用相对位置对医学图像特征进行编码，同时采用循环注意力机制对特征进行提取，最后采用所提自适应损失函数对模型进展训练，进而实现了准确医学图像分割。

技术研发人员：余晓霞,吴姝歷,张志刚,马婧华,马帅,贺小娅
受保护的技术使用者：重庆理工大学
技术研发日：
技术公布日：2024/1/25