CN119399228A 一种基于多重注意力机制改进的Unet的医学图像分割方法 （桂林理工大学）

一种基于多重注意力机制改进的Unet的医本发明公开了一种基于多重注意力机制改的医学图像输入至包含注意力模块的CNN编码2S1:获取待分割的医学图像，并将所述待分割的医学S2:在编码阶段设计了压缩和激励编码器外的跳过连接，在编码器的输出处添加了一S3:将编码器最底层的注意力模块输出的编码特征输入至全局和局部交互模块，得到S4:在解码器阶段使用一个三级注意模块，三级注意力模块使用密集连接的密集跳过2.根据权利要求1所述的一种基于多重注意力机制改进的Unet的医学图像分割方法，S1.1:将待分割的医学图像输入至每个注意力模块的编码器中，采用局部感知块对待S1.2:将编码位置信息进行层归一化后输入至保持性自注意力,通过保持性自注意力将注意力拓展至图像结构对齐的双向、二维形式并引入空间距离先验知识至编码位置信S1.3:将保持性自注意力的输出结果与编码位置信息进行逐元素相加,最后将输出结果与逐元素相加结果进行逐元素相加得到每个注意力模3.根据权利要求1所述的一种基于多重注意力机制改进的Unet的医学图像分割方法，其特征在于，所述步骤S2中对编码器外的跳过连接进行压缩和激励并添加Transformer做S2.1:将编码器的输出特征图输入到压缩和激励模块，通过全局平均池化对特征图进S2.2:将编码器的输出特征图展平，通过一个线性层将其转换4.根据权利要求1所述的一种基于多重注意力机制改进的Unet的医学图像分割方法，S3.1:将编码器中最底层的注意力模块输出的编码特征输入至全局和局部交互模块,3S3.2:将平滑特征输入至全局交互块与局部交互块,采用全局交互块捕获平滑特征的5.根据权利要求1所述的一种基于多重注意力机制改进的Unet的医学图像分割方法，S4.2:对经过注意机制处理的特征图进行空间归一化，以确保特征图在不同空间位置4将医学图像中的不同结构和组织分割成具有特定含义的区域，以协助医生进行准确的诊旨在将医学图像中的不同结构和组织分割成具有特定含义的区域，以帮助医生进行诊断、医学图像分割领域的多种图像分析任务中。然而很多的医学图像都具有挑战性，例如X射[0004]本方法通过将待分割的医学图像输入至包含多个显示衰减注意力模块的编码器[0007]S1:获取待分割的医学图像，并将所述待分割的医学图像输入至包含注意力模块[0008]S2:在编码阶段设计了压缩和激励编码器外的跳过连接，在编码器的输出处添加[0009]S3:将编码器最底层的注意力模块输出的编码特征输入至全局和局部交互模块，5[0010]S4:在解码器阶段使用一个三级注意模块，三级注意力模块使用密集连接的密集[0012]S1.1:将待分割的医学图像输入[0013]S1.2:将编码位置信息进行层归一化后输入至保持性自注意力,通过保持性自注[0014]S1.3:将保持性自注意力的输出结果与编码位置信息进行逐元素相加,得到相加[0015]S1.4:将层归一化后的结果输入至多合,，最后将输出结果与逐元素相加结果进行逐元素相加得到每个注意力模块输出的编码[0016]所述步骤S2中对编码器外的跳过连接进行压缩和激励并添加Transformer作为桥[0017]S2.1:将编码器的输出特征图输入[0021]S3.1:将编码器中最底层的注意力模块输出的编码特征输入至全局和局部交互模[0022]S3.2:将平滑特征输入至全局交互块与局部交互块,采用全局交互块捕获平滑特[0023]S3.3:将全局局部特征与注意力权重用于加权输入特征图的不同部分；6[0026]S4.2:对经过注意机制处理的特[0028]图1为本发明所述的一种基于多重注意力机制改进的Unet的医学图像分割方法总[0030]图3为本发明所述的对编码器外的跳过连接进行压缩和激励并添加Transformer[0033]图6为本发明所述的解码器阶段使用了一个三级注意模块并得到最终分割图像的[0038]步骤103：将编码器最底层的注意力模块输出的编码特征输入至全局和局部交互7加结果,并将结果进行层归一化，将结果输入至多尺度令牌聚合前馈网络中执行多尺度令[0049]如图4_5所示：通过全局局部特征图得到解码器模块的流程步骤103从步骤401到[0050]步骤401将编码器中最底层的注意力模块输出的编码特征输入至全局和局部交互[0057]该网络的设计的目的是通过捕获局部定位细节和全局信息来达到更高的分割进8编码器块和Transformer的特征[0061]最后两个卷积的输出用表示，Tran