CN119494840A 一种基于边缘引导和深监督pvt的息肉分割方法 （杭州电子科技大学）

一种基于边缘引导和深监督PVT的息肉分割本发明公开了一种基于边缘引导和深监督PVT的息肉分割方法。该方法针对存在息肉的结所述边界提取分支使用细化模块丰富细节特征块将细化特征与上下文融合解码的输出特征图合分支按照从深到浅的顺序逐层融合不同尺度2所述上下文融合解码分支接收PVT_v2主干网络输出的语义特征图，通所述边界提取分支使用细化模块丰富第一尺度金字塔特征X1的特所述边界感知模块将边界提取分支细化后的特征F1分别与融合特征F2、F所述级联特征融合分支按照从深到浅的顺序逐层融合上下文融合解码分支输出的不步骤三、联合息肉语义分割任务和息肉边缘检测任务对息肉分步骤四、通过步骤三训练得到的最优息肉分割模型对存在息肉的结肠镜图像进行处2.如权利要求1所述一种基于边缘引导和深监督P3.如权利要求1所述一种基于边缘引导和深监督述上下文融合解码分支对第四尺度金字塔特征X4直接进行3x3卷积操作得到输出特征F4；经过3x3卷积操作得到输出特征F3；对第四尺度金字塔特征X44.如权利要求1所述一种基于边缘引导和深监38.一种计算机可读存储介质，其上存储有计算机程4[0002]自动息肉分割任务可以从存在息肉的结肠镜图像中迅速且准确地分割出息肉区[0005]针对现有技术的不足，本发明提出了一种基于边缘引导和深监督PVT的息肉分割5[00011]作为优选，所述上下文融合解码分支对第四尺度金字塔特征X4直接进行3×3卷[00012]所述边界提取分支使用细化模块丰富第一尺度金字塔特征X1的特征内容，得到[00013]所述边界感知模块将边界提取分支细化后的特征F1分别与上下文融合解码分支[00014]所述级联特征融合分支按照从深到浅的顺序逐层融合上下文融合解码分支输出[00018]步骤四、通过所述最优息肉分割模型进行息肉分割处理，得到分割后的息肉图6随机选择Kvasir中的900张图像以及CVC_ClinicDB的550张图像作为训练集，共[00024]步骤二、构建如图3所示的基于Transformer架构的息肉分割网络，包括主干网[00025]所述PVT_v2主干网络从上到下依次输出第一尺度金字塔特征X1、第二尺度金字7和X4为语义特征图。具体的，第i尺度金字塔特征，其中，ie{1,2,3,4},征并降低特征融合时的计算量，将特征图xi,ie{2,3,4⃞的维度数通过卷积操作统一降到64[00026]所述上下文融合解码分支作为图像解码器，用于接收PVT_v2主干网络输出的语[00027]所述边界提取分支使用感受野块(ReceptiveFieldBlock，RFB)作为细化模[00028]所述边界感知模块结合深监督策略，将边界提取分支细化后的特征F1分别与上[00029]所述级联特征融合分支按照从深到浅的顺序逐层融合上下文融合解码分支输出[00032]步骤四、通过步骤三训练后的息肉分割模型对步骤一中的测试集图像进行息肉8[00033]为了证明本方法的进步，分别与现有技术中常用的息肉分割方法PraNet、图像分割中两个最常用的性能指标平均Dice相似度系数(meanDicecoefficient，性能；mDice是计算模型得到的分割区域与标签的真实分割区域之间的重叠程度，范围是其中，k表示类别数量，TP为正例分对(TruePositives)，FP为正例分错(False[00034]mIoU计算的是预测分割的边框和真实的边框的交叠率，即预测分割的边框和真9