CN118941587B 一种基于边界引导的多级注意力网络的息肉图像分割方法 （江西师范大学）

一种基于边界引导的多级注意力网络的息本发明公开了一种基于边界引导的多级注获取图像的多级特征;S3:多尺度特征提取模块获取压缩通道的多尺度特征;S4：并行部分解码2步骤S2：构建基于边界引导的多级注意力网络，基块和基于边界引导的多级注意力模块，导入步骤S1中数据集的图像至金字塔视觉步骤S3:导入步骤S2的图像的多级特征至多尺度特征提取模块，获取压缩通道的多尺步骤S5：通过边界感知模块先后对步骤S4的全局特征图和步骤和使用加法操作获取第二聚合特征;将步骤S3中的第一多尺度特征和第二聚合步骤S7：构建损失函数，最小化损失函数以优化基;;其中，cat(-)表示在通道维度上拼接，conv1x1(-)表示卷积核大小为1的卷积操作，在空间分支中，使用三个不同卷积核大小的并行卷积来增强模型的多尺度特征表示，获取增强卷积拼接特征；并应用空间注意力进一步细化增强卷积拼接特征提供的边界细将得到的空间注意力图和通道注意力图分别与原特征相乘，产生3;;;其中，convsx3(-)表示卷积核大小为3的卷积操作，convsxs(·-)表示卷积核大小为5f大小为7的卷积操作，表示加法操作，Att,(-)表示空间注意力，Attc(;;;;将这三个注意力图沿着通道维度拼接，并经过一个卷积核大小为1的卷积操作进行特;;最后，多级注意力模块先后通过CBAM模块和卷积核大小为1的卷积操作来抑制特征中;4;2.根据权利要求1所述的基于边界引导的多级注意力网络的息肉图像分割方法，其特步骤S2中的获取图像的多级特征，具体为：导入步骤S1中数据集的图像IeRHXWX3,通过金字塔视觉Transformer_PVT_v2骨干获得多级特征,其中，表示3.根据权利要求2所述的基于边界引导的多级注意力网络的息肉图像分割方法，其特构成的多尺度特征提取模块的感受野块将步骤S2中产生的多级特征使用卷积核大小通过一个卷积核大小为3的卷积操作实现进一步多尺4.根据权利要求1所述的基于边界引导的多级注意力网络的息肉图像分割方法，其特;测算法获得的边界的真实掩码图，Lseg是用于息肉图像的区域分割的加权5结肠镜检查过程复杂且具有主观性，可能会导致漏诊问题。未能及时发现息肉可能导致晚广。一种具有代表性的架构，通过编码器_解码器结构和跳跃连接，使其能够有效整合空间信一种轴向反向注意模块，通过分析位置信息和多尺度特征来增强模型对显著信息的敏感6知模块和基于边界引导的多级注意力模块，导入步骤S1中数据集的图像至金字塔视觉[0011]步骤S3:导入步骤S2的图像的多级特征至多尺度特征提取模块，获取压缩通道的征和第四聚合特征;将步骤S3中的第一多尺度特征f'和第二聚合特征进行融合，获IeRHXWX3,通过金字塔视觉Transformer_PVT_v2骨干获得多级特征,其中，R表示实数集，H表示图像的高度，W表示图像的宽度，ie{1,2,3,4}，并且[0018]构成的多尺度特征提取模块的感受野块将步骤S2中产生的多级特征使用卷积核7征通过一个卷积核大小为3的卷积操作实现进一步多；；[0034]其中，conv3x3(-)表示卷积核大小为3的卷积操作，convsxs(-)表示卷积核大小f8[0043]将这三个注意力图沿着通道维度拼接，并经过一个卷积核大小为1的卷积操作进；缘检测算法获得的边界的真实掩码图，Lseg是用于息肉图像的区域分割的9[0059]图1为本发明的一种基于边界引导的多级注意力网络的息肉图像分割方法的步骤知模块和基于边界引导的多级注意力模块，导入步骤S1中数据集的图像至金字塔视觉[0064]步骤S3:导入步骤S2的图像的多级特征至多尺度特征提取模块，获取压缩通道的征和第四聚合特征;将步骤S3中的第一多尺度特征f'和第二聚合特征进行融合，获IeRHXWX3,通过金字塔视觉Transformer_PVT_v2骨干获得多级特征,其中，R表示实数集，H表示图像的高度，W表示图像的宽度，ie{1,2,3,4}，并且[0071]构成的多尺度特征提取模块的感受野块将步骤S2中产生的多级特征使用卷积核征通过一个卷积核大小为3的卷积操作实现进一步多；；[0087]其中，conv3x3(-)表示卷积核大小为3的卷积操作，convsxs(-)表示卷积核大小f[0096]将这三个注意力图沿着通道维度拼接，并经过一