CN114049314B 一种基于特征重排和门控轴向注意力的医学图像分割方法 （杭州电子科技大学）

Transformer:GatedAxial-Attention一种基于特征重排和门控轴向注意力的医本发明公开了一种基于特征重排和门控轴原始图像和真实分割图像统一为相同大小的尺寸，再对调整后的训练图像进行随机的水平/垂2步骤4.损失函数；损失函数的作用则是用来衡量预测值与真实样本标记之间的误差；最后，把经过resize后的训练图像以及对应的分割图像进行概率为50％的随机水平/3-3.将特征重排后的特征块经过2次不改变高度与宽度的卷积加BatchNorm层以及3-4.把特征块x输入门控轴向注意力块；一个门控轴向注意力块首先经过一个1×1的卷积加BatchNorm层以及ReLU激活函数映射；其次在沿着张量的宽度轴施加门控轴向注意i行第j3一个1×1的卷积加BatchNorm层以及ReLU激活函数映射，并且特征块在经过每个门控轴向302.把步骤301得到的特征块进行特征重排积加BatchNorm层以及ReLU激活函数映射得到特征块x'；303.把x'经过3次门控轴向注意力块加特征重排下采样，每次采用的门控轴向注意力1'1'经过3次门控轴向注意力块加逆向特征重排上采2.根据权利要求1所述的基于特征重排和门控轴向注意力的医学图像分割方法，其特其中H和W是图像的维度，p(x,y)对应于图像中的像素，p'(x,y)3.根据权利要求2所述的基于特征重排和门控轴向注意力的医学图像分割方法，其特平均IoU与平均F1score是指首先计算每张预测分割图与真实分割图不同类别的IoU4交互。基于Transformer的变形体轴向注意力块，将2D自我注意力分解为两个1D自我注意[0004]现有的医学图像分割模型大多采用卷积层或者池化层来对原始图像进行下采注意力块替换卷积块以实现对医学图像更好的分采用特征重排和门控轴向注意力机制，通过端到端的方式协同训练全局分支和局部分支，控制信息在网络中的流通，使得模型在小样本数据集上也能够学习到好的位置偏差信息。[0008]所述的数据获取中的3个数据集分别是腺体分割数据集Glas，包含85张训练图像5[0012]步骤5.定义Adam优化器，给模型设定一个合理的学习率，初始学习率设定为0.001，模型训练过程中，学习率随批次数增加而减缓，每50[0024]3-3.将特征重排后的特征块经过2次不改变高度与宽度的卷积加BatchNorm层以[0032]其中G为可学习的门控参数，用来控制所学习的相对位置编码对编码非局部上下6征重排来进行上采样得到具有长程依赖和全局信息且与输入的原始图像同尺寸的特征块的卷积加BatchNorm层以及ReLU激活函数映射得到特征块x'；[0040]303.把x'经过3次门控轴向注意力块1[0046]协同训练全局分支和局部分支是把步骤3得到的特征块x2和x'[0047]平均IoU与平均F1score是指首先计算每张预测分割图与真实分割图不同类别的测试图像的数量得到平均IoU与平均F1score；这两个指标能够有效的评测模型分割的精7[0056]步骤2.数据处理，首先，将数据[0057]步骤3.如图2所示为基于特征重排和门控轴向注意力的医学图像分割模型网络框8过一个1×1的卷积加BatchNorm层以及ReLU激活函数映射，并且特征块在经过每个门控轴征重排来进行上采样得到具有长程依赖和全局信息且与输入的原始图像同尺寸的特征块[0076]使用7×7卷积核，步长为1，Padding设为3，保留输入的高度与宽度，再经过卷积加BatchNorm层以及ReLU激活函数映射得到特征块x'。3次门控轴向注意力块加逆向特征重排上[0083]步骤5.定义Adam优化器，给模型设定一个合理的学习率，初始学习率设定为0.001，模型训练过程中，学习率随批次数增加而减缓，每509均F1score是指首先计算每张预测分割图与真实分割图不同类别的IoU与F1score，再取[0088]实