CN119180826B 扩散模型、多尺度与注意力模块的医学超声图像分割方法 （兰州交通大学）

WO2024131597A1,2024.06模块分别为自行设计的多尺度动态条件模块和2多尺度动态条件模块从超声图像中捕捉不同尺度的融合注意力模块将多尺度动态条件模块和编码器两多尺度动态条件模块采用了一种层次化的架构；该模块用四个特征提取模块cnl至cn4进行逐步特征提取和下采样；最后，将提取的特征输入上述的TransFuse模块通过结合CNN与SwinTransformer的优势来提升特征的表达能去噪扩散概率模型由正向扩散阶段和反向扩式中：和分别代表步长t-1和t时的噪声图像是噪声级别3在去噪扩散概率模型的训练过程中，关键步骤是最小化估计分布q(x,IX,)和真实后经网络参数使得预测的分布接近最小化估计分布q(x,IX,)，力控制不同尺度特征集成程度的软门控G,可接下来，使用元素乘法将软门控G,与C进行合并，然后与进行元素加法来实现4利用高斯交叉融合注意力模块来解决直接合并这两种特征时可能出现的不兼容问题；首先将两部分输入特征分别约束为高斯分布E,和，然后将E,和经过归一化处3.根据权利要求2所述的一种医学超声图像分割方法，其特征在于：步骤2中的首先将CNN模块的输出特征分割成4x4大小的非重叠图像块，这些图像块通过线性嵌意力机制(W_MSA)以及基于移动窗口多头注意力机制(SW_MSA)和残差连接后输出的特征，和分别表示和特征经过多层感知机和残差连接后输出的特征；5D为特征维度数；6网络(ConvolutionalNeuralNetwork,CNN)的方法在医学超声图像分割领域取得了卓越等人提出的UNeXt通过引入标记化的多层感知机(MultilayerPerceptron,MLP)块来完方案，并在VisionTransformer和SwinTransformer的基础上提出了许多变体，如[0004]去噪扩散概率模型作为一种功能强大的生成模型，近年来受到了广泛关注和欢噪扩散概率模型尚存在局限性，还需要添加相关模块来增强模型对病灶信息的学习能力，7件模块的跳跃连接特征进行通道拼接和1×1卷积，转化的图像保持与输入相同的分辨率，[0014]在正向扩散过程中，将高斯噪声e~N(0,1)逐步添加到输入图像，执行T个8[0023]在去噪扩散概率模型的训练过程中，关键步骤是最小化估计分布q(征经过1×1卷积运算调整尺寸后表示为，将CNN模块中cni+1阶段输出特征表示为s表示为线性映射；r表示为sigmoid激活函数；concat(.)表[0037]利用高斯交叉融合注意力模块来解决直接合并这两种特征时可能出现的不兼容问题；首先将两部分输入特征分别约束为高斯分9[0044]首先将CNN模块的输出特征分割成4×4大小的非重叠图像块，这些图像块通过线头注意力机制(W_MSA)以及基于移动窗口多头注意力机制(SW_MSA)和残差连接后输出的特[0055]1)去噪扩散概率模型与多尺度模块和注意力模块的结合：通过去噪扩散概率模件模块的跳跃连接特征进行通道拼接和1×1卷积，转化的图像保持与输入相同的分辨率。[0075]式中：xu和x分别代表步长t-1和t时[0081]在去噪扩散概率模型的训练过程中，关键步骤是最小化估计分布q(实后验分布之间的(KullbackLeibler,KL)散度，该KL散度衡量了两个概了一种层次化的架构。该模块首先通过一个Stem层，之后采用四个特征提取模块cnl至全局信息的有效结合。该模块显著提高了模型对超声图像中目标区域特征信息的捕获能[0088]上述的TransFuse模块如图2所示。该模块通过结合CNN与SwinTransformer的优[0089]本发明首先将CNN模块的输出特征分割成4×4大小的非重叠图像块。这些图像块通过线性嵌入层，将特征维度投影到任意维度。然后，将经过维度投影的特征输入Swin头注意力机制(W_MSA)以及基于移动窗口多头注意力机制(SW_MSA)和残差连接后输出的特征经过1×1卷积运算调整尺寸后表示为，将CNN模块中cni+1阶段输出特征表示为[0106]为了确保编码器输出特征E,和多尺度动态条件模块输出特征在空间和频率的不兼容问题。首先将两部分输入特征分别约束为高斯分布E,和，然后将E,和集包括了2018年收集的600名年龄在25至75岁之间的女性患者的乳腺超声波图像，共780133幅正常超声图像。DDTI数据集包含由Pedraza等人提供的来自单一设备的637幅带有像[0113]为了全面准确评估模型的性能，本发明实验采用了六种常用的图像分割评价指率（Accuracy）。评价指标含义分别为：MIoU衡量预测分割与实际分割区域的重叠程度；Precision计算正确预测的样本占总样本中的比例；F1Score是精度和召回率的调和平[0125]从表1和表2中可以看出：仅使用CNN或Transformer架构的网络(AttentionU_[0126]本发明方法DMA_USeg不仅采用了基于DDPM的架构，还引入了混合CNN和