CN119360031B 一种基于双分支特征渐进式融合网络的息肉图像分割方法 （中国计量大学）

街道学源街258号中国计量大学仰仪一种基于双分支特征渐进式融合网络的息基于双分支特征渐进式融合网络的息肉图像分点卷积视觉变换和逆向感知信息层的双分支主2步骤1：收集结肠镜息肉图像和息肉掩码标签数据集，将数据集划分为训练集和测试所述步骤2提出的双分支特征渐进式融合网络用于执行力融合机制提炼并增强高级语义特征信息，从而获取新的四阶段多级特征F＝{F1,F2,F3,所述步骤2.5所提出的感知信息融合模块以层级特征Fi和边界感知特征Exj作为输入，×3和5×5两个不同尺度的卷积操作，并采用全局平均池化层和残差连接进一步增强融合特征得到和最后元素相加获得感知特征FPij具体表达方法3所述步骤2.6中提出的多级残差解码模块包括当k＝1时，最顶层感知信息融合模块以上一级多级残差解码模块的输出特征D2和边界步骤3：对步骤1得到的训练数据进行数据增2.根据权利要求1所述的基于双分支特征渐进式融合网络的息肉图像分割方法，其特3.根据权利要求1所述的基于双分支特征渐进式融合网络的息肉图像分割方法，其特征在于，所述步骤2.2中提出的单线门控机制对输入网络的原始图像进行初步的特征提取和过滤，首先通过卷积和归一化操作生成权重张量Was，然后使用通道划分后的权重张量4.根据权利要求1所述的基于双分支特征渐进式融合网络的息肉图像分割方法，其特4式中||表示沿通道维度的拼接操作，Conv1表示1x1卷积操作，Conv3表示3x3卷积操5.根据权利要求1所述的基于双分支特征渐进式融合网络的息肉图像分割方法，其特时扩展特征空间的表示能力，最后通过3x3卷积进行6.根据权利要求1所述的基于双分支特征渐进式融合网络的息肉图像分割方法，其特=4时，错位单层增强模块利用并联注意力操作和级联注意力操作的双分支拼接方式对层级特征T4进行语义特征增强，最后经过3x3卷积进一步提取拼接后的增强特征信息，得到7.根据权利要求1所述的基于双分支特征渐进式融合网络的息肉图像分割方法，其特56[0002]随着深度学习方法的快速发展，息肉图像分割中的特征提取和利用效率显著提有了显著提升。此外，基于Transformer的方法通过多头自注意力层（Multi_headSelf_[0003]然而，目前基于深度学习的分割方法主要聚焦于息肉区难以有效提取并利用息肉区域的边界信息。由于缺乏对全局特征和边界信息的深度融合，[0004]本发明目的在于提供一种基于双分支特征渐进式融合网7注意力融合机制提炼并增强高级语义特征信息，从而获取新的四阶段多级特征F={F1,F2,所得特征经过1×1卷积降维后在训练过程中参活和反转操作获得反转特征Erj，并将Erj和元素相乘获得原始边界特,8,操作和空间注意力操作得到具有良好信息表达能力的特征M2，将M2在通道维度上进行自我,[0032]进一步的，所述步骤2.4中所提出的错[0034]进一步的，所述步骤2.5所提出的感知信息融合模块以层级特征Fi和边界感知特融合模块首先利用通道注意操作降低边界感知特征中的冗余和噪声，采用双分支并行结9接进一步增强融合特征得到和，最后元素相加获得感知特征具体表达方法如,,边界特征Ex3和上一级多级残差解码模块的输出特征作为输入，将不同,[0043]当k=1时，最顶层感知信息融合模块以上一级多级残差解码模块的输出特征D2和信息融合模块的输出特征FP32和FP42,[0051]其中NTnz和NGnz分别为边界信息张量TE和真实掩码G中非零元素的个数，利用了极,[0055]本发明的一种基于双分支特征渐进式融合网络的息肉图像分割方法具有以下优[0062]图1为本发明一种基于双分支特征渐进式融合网络的息肉图像分割方法流程示意[0079]如图3所示，步骤2.2中提出的单线注意力融合机制提炼并增强高级语义特征信息，从而获取新的四阶段多级特征F={F1,F2,所得特征经过1×1卷积降维后在训练过程中参,边界特征Ex3和上一级多级残差解码模块的输出特征作为输入，将不同层级间的特征[0107]当k=1时，最顶层感知信息融合模块以上一级多级残差解码模块的输出特征D2和信息融合模块的输出特征FP32和FP42[0109]在步骤3中，采用边界差异联合损失对模型训练过程进行优化，具体包括如下步[0116]其中NTnz和NGnz分别为边界信息张量TE和真实掩码G中非零元素的个数，利用了极[0121]步骤4中将测试集的息肉图像输入至完成训练的息肉图像分割模型中，输出分割本申请的权利要求范围内的实施例都属于本