CN120298441A 一种基于空间感知与频域信息的医学图像分割方法、装置 （厦门理工学院）

一种基于空间感知与频域信息的医学图像本发明提供了基于空间感知与频域信息的分割的精度和鲁棒性。对医学图像进行频域变关背景信息，使模型能更精准地聚焦于病变区2获取待处理的医学图像，对所述医学图像进行数据预处理调用预训练好的FDMUNet网络模型，使用聚焦低频信息的上下文特征提取模块对预处采用FDMUNet网络模型中的多头感知视觉状态空间模块对所述输出特征图进行提取处使用FDMUNet网络模型中的聚焦上下文注意力模块对特征图进行边界增强处理，得到使用解码器对全局信息特征进行恢复预处理，并将处理后的计算图像的信噪比和峰值信噪比对图像质量进行定量评估采用均方根对比度方法评估图像的全局对比度，并使用Laplacian算子计算图像的二针对图像中存在的伪影和噪声，设计基于高频分量分析的噪声检度直方图特征和Radon变换来识别存在的条带伪对于检测到的伪影区域，采用基于导向滤波的局部增强处理，并通调用预训练好的FDMUNet网络模型对预处理后的医学图像进行特征提取处理，得到输出特通道数，使用所述FDMUNet网络模型的聚焦低频信息的上下文特征提取模块在预设的不同3噪声过滤机制得到的输出特征图，o(·)为sigmod函数，Maxp(·)为最大池化操作，Avep(·)为平均池化操作，cat(·)表示按通道数连接，convxa(·)为1x1卷积操作，BN(·)为批次归一化操作，ReLU(·)为ReLU激活函数，T为高频信息和低频信息经过通,;,。采用FDMUNet网络模型中的多头感知视觉状态空间模块对所述输出特征图进行提取处理，采用FDMUNet网络模型瓶颈层中的多头感知视觉状态空间模块对所述输出特征图进模块的公式为：D,=Dwconvsx3(VSS(LN(MAF(XS))))，其中，Dwconvsxa(·)为其中，所述多尺度自适应特征融合模块将所述输出特征图分行处理，并将三个分支的输出进行特征融合，所述多尺度自适应特征融合模块的公式为：,,y:=convx1(ReLU(BN(AAPSXS(x3))))，y4=concat(y1y2,y3)，其中，ConCat4为第三个分支的输出，AApxa(·)为1x1平均自适应池化，AAP3xs(·)为3x3平均自适应经过四次连续多头感知视觉状态空间模块对所述输出特征图进行提取处理，得到,,。使用FDMUNet网络模型中的聚焦上下文注意力模块对特征图进行边界增强处理，得到增强使用两个深度可分离大核卷积对特征进行扩展处理，并采用1x1卷积,。使用解码器对多头感知视觉状态空间模块输出的全局信息与聚焦上下文注意力模采用卷积操作对处理后的全局信息特征进行特征降维和批次归一化处理，对所述跳跃连接得到的增强特征与保留处理后的全局信息特征进行5,。在调用预训练好的FDMUNet网络模型对预处理后的医学图像进行特征提取处理之前，还包述医学分割任务数据集包括训练集图像和训练集图像对应的训练分根据所述医学分割任务数据集对FDMUNet网络模型进行训练处理，得到训练好的第二提取单元，用于采用FDMUNet网络模型中的多头感知视觉状态空间模块对所述输增强单元，用于使用FDMUNet网络模型中的聚焦上下文注意力模块对特征图进行边界融合单元，用于使用解码器对全局信息特征进行恢复预6尺度特征融合缓解了信息丢失这一问题，但它们往往忽视了不同尺度特征之间的互补性，算效率之间取得平衡。基于Transformer的瓶颈层虽然通过自注意力机制增强了全局感7调用预训练好的FDMUNet网络模型，使用聚焦低频信息的上下文特征提取模块对采用FDMUNet网络模型中的多头感知视觉状态空间模块对所述输出特征图进行提使用FDMUNet网络模型中的聚焦上下文注意力模块对特征图进行边界增强处理，第二提取单元，用于采用FDMUNet网络模型中的多头感知视觉状态空间模块对所增强单元，用于使用FDMUNet网络模型中的聚焦上下文注意力模块对特征图进行益效果1）通过频域变换的多尺度分解能力以及一个针对低频分量的可学习的频域过滤8[0012]图1是本发明第一实施例提供的基于空间感知与频域信息的医学图像分割方法的图2是本发明实施例提供的基于空间感知与频域信息的医学图像分割方法的整体图6是本发明第二实施例提供的基于空间感知与频域信息的医学图像分割装置的噪比通过图像可能的最大像素值与均方误差的对数关系来采用均方根对比度方法评估图像的全局对比度，并使用Laplacian算子计算图像当检测到信噪比低于预设阈值时，采用限制对比度自适应直方图均衡化进行增9提取模块在预设的不同频率尺度上对医学特征图X进行特征分解处理，以捕获医学图像中LL'=O(convxn(Maxp(LL)+Avep(LL)))，T=(cat([LL',LH,HL,HH])))，分，LH,HL,HH均为医学图像的高频成分，为经过噪声过滤机制得到的输出特征图，按通道数连接，convxa(·)为1x1卷积操作，BN(·)为批次归一化操作，ReLU(·)为取到的的特征图；,;,。[0019]由于现有的分割方案多采用CNN编码器忽略了不同尺度特征间的互补信息，进而预处理完成后，调用预训练好的FDMUNet网络模型对预处理后的医学图像进行特征提取处理。FDMUNet网络模型的核心在于其聚焦低频信息的上下文特征提取模块（Frequency_domainLow_frequencyInformationContextExtractionBlock，FLICEB该模块可以[0022]S3，采用FDMUNet网络模型中的多头感知视觉状态空间模块对所述输出特征图进块对所述输出特征图进行提取处理，提取得到不同尺度上的输出特征图的全局信息特征，多头感知视觉状态空间模块的公式为：D=Dw,y:=convx1(ReLU(BN(AAPSXS(x3))))，y4=concat(y1y2,y3)，其中，ConCat为第三个分支的输出，AApxa(·)为1x1平均自适应池化，AAP3xs(·)为3x3平均自适应,,。二个分支通过3x3自适应池化对输入特征进行处理，将空间维度缩小并提取局部上下文信[0027]S4，使用FDMUNet网络模型中的聚焦上下文注意力模块对特征图进行边界增强处注意力模块对特征图X1、XZ和X分别进行边界增强处理，采用平均池化和1x1卷积结合的。[0029]聚焦上下文注意力模块被集成在FDMUNet网络模型的跳跃连接过程中。跳跃连接卷积和sigmoid激活函数，该模块在保持高效计算的同时，能够有效地提取和增强边界特DZ与聚焦上下文注意力模块得到的增强特征Z3按通道进行融合，并进行双线性插值上采对所述跳跃连接得到的增强特征与保留处理后的全局信息特征进行加法融合处q=ReLU(BN(convx(up(DY))))+z3，经过三次连续特征融合并进行上采样处理后，得到最终的高分辨率特征图G,。[0037]为了保留特征信息，通过ReLU激活函数对处理后的全局信息特征进行非线性变生成高分辨率的特征图。这一过程确保了模型能够结合全局背景信息和局部细节,从而输[0039]优选地，在调用预训练好的FDMUNet网络模型对预处理后的医学图像进行特征提根据所述医学分割任务数据集对FDMUNet网络模型进行训练处理，得到训练好的[0042]完成数据预处理后，使用预处理后的医学分割任务数据集对FDMUNet网络模型进平均池化和1x1卷积结合的方式获取局部区域特征，再利用深度可分离大核卷积扩大模型