CN114820635B 联合注意力u形网络和多尺度特征融合的息肉分割方法 （重庆理工大学）

联合注意力U形网络和多尺度特征融合的息本发明提供一种联合注意力U形网络和多尺度特征融合的息肉分割方法，包括选择U-Net作为主干网络，通过在U形主干网络结构的编码器和解码器阶段对应层的跳跃连接末端增加注意然后融合不同尺度特征获得丰富的全局语义信再在全局映射图指导下被送入多个以级联方式21.联合注意力U形网络和多尺度特征融合的息肉分割方法，其特征在于，包括以下步S1、选择U-Net作为主干网络，在U形主干网络S2、主干网络对输入图像中不同尺度特征上采S4、将全局映射图及感受野模块并联输出的高层特S5、将息肉粗分割结果图输入到精细化残差模的残差来精细化息肉目标区域和边界信息，得到更加全面精细化的息肉精细化分割结果2.根据权利要求1所述的联合注意力U形网3.根据权利要求1所述的联合注意力U形映射图及第一感受野模块输出的高层特征送入第一反向注意力模块内来获得第一反向注4.根据权利要求3所述的联合注意力U形网络和多尺度ii3o()是从全1矩阵E中减去输5.根据权利要求1所述的联合注意力U形6.根据权利要求1所述的联合注意力U形网络和征在于，每个反向注意力模块的输出和全局映射图采用深监督整体损失函数作为优化目g输出，S"为反向注意力模块的输出被上采样，L为加权IoU损失函数与加权p7.根据权利要求1所述的联合注意力U形p45[0001]本发明涉及息肉分割技术领域，具体涉及一种联合注意力U形网络和多尺度特征[0002]根据2020年全球结直肠癌癌症数据报告，结直肠癌是全出的优势。2017年，Brandao等人使用基于预训练模型的全卷积神经网络(Fully的三步选择性特征聚集网络用来分割息肉。该方法显式地考虑了区域和边界之间的依赖性，并通过附加的边缘监督获得了良好的结果，但其计算效率较低，并有过拟合的风险。寻找目标区域特征和边界细节。2021年，Huang等人提出了一种用于息肉分割的HarDNet-6有已估计的息肉区域，从而更好地挖掘互补区域和边界细节信息得到具有判别性的信息，后的全局映射图及第一感受野模块输出的高层特征送入第一反向注意力模块内来获得第第二感受野模块输出的高层特征送入第二反向注意力模块内来获得第二反向注意力特征，[0017]进一步，每个反向注意力模块通过将对应高级侧输出的高过Sigmoid激活函数和反转后得到的反向注意力权重Ai相乘，来获得输出的反向注意力特7o()是从全1矩阵E中减p增强对齐指标指标来度量息肉精细化分割结果图S与真值图G之间的相似性与不相似p[0033]其中，ω是基于各个类别样本数来赋予各个类别的权重；Precision指的是准确8[0039]与现有技术相比，本发明提供的联合注意力U形网络和多尺度特征融合的息肉分[0040]1、本发明主要通过结合注意力机制和多尺度特征融合得到性能更加优异的息肉[0042]3、本发明将输出的特征通过反向注意力机制利用一种前景擦除的方式来更好地连接和残差结构，通过学习粗糙结果图和真值之间的残差来精细化粗糙分割结果预测图，[0044]图1是本发明提供的联合注意力U形网络和多尺度特征融合的息肉分割方法流原[0048]图5是本发明与其他典型模型方法在五个不同的息肉数据集上进行定性结果比较整体架构为编码器-解码器结构，通过在网络模型编码器阶段和解码器阶段对应层的跳跃9[0053]S3、将主干网络输出的三个平行高层特征信息传入到对应三个感受野模块[0055]S5、将息肉粗分割结果图输入到精细化残差模块(RefinedResidualModule，向注意力模块RA，将下采样后的全局映射图Sg及第一感受野模块输出的高层特征f5送入第的全局映射图相加后的输出一方面与第二感受野模块输出的高层特征f4送入第二反向注意力模块RA2内来获得第二反向注意力特征R4，另一方面经过上采样后与第二反向注意力特征R4相加，该相加后的输出一方面与第三感受野模块输出的高层特征f3送入第三反向注意力模块RA3内来获得第三反向注意力特征R3，另一方面经过上采样后与第三反向注意力本实施例中所述三个反向注意力模块以级联方式构建，实质是指第二反向注意力模块RA2结果则由更深的网络层的信息上采样得到。o()是从全1矩阵E中减将不精确和粗略的估计细化为准确而完整的督整体损失函数作为优化目标，映射图都被逐一上采样(例如S!")到与真值图G相同的大ppp度量息肉粗分割结果预测图S和真值图G之间像素级别的误差，w和h代表真值图G的宽和ppp[0084]CVC-ClinicDB:该数据集也被称为CVC-612，包含了25个结肠镜检查视频中的612例患者的44个结肠镜检查序列的912张图像，图像大小为574×500，EndoScene包括[0090]与现有技术相比，本发明提供的联合注意力U形网络和多尺度特征融合的息肉分[0103]在Kvasir数据集中可以看出，MAR-UNet的MeanDice比U-Net高了8.5比PraNet高了0.5其他指标对比其他方法也都有着明显的优势。在ETIS、CVC-ClinicDB、CVC-为有着大量的错