本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割方法。

背景技術(shù)：

1、醫(yī)學(xué)圖像分割在現(xiàn)代醫(yī)學(xué)中具有重要作用，它能夠輔助醫(yī)生在疾病診斷、治療規(guī)劃和手術(shù)指導(dǎo)中做出更加高效準(zhǔn)確的決策。然而，醫(yī)學(xué)圖像數(shù)據(jù)復(fù)雜多樣，不同成像設(shè)備如ct、mri和超聲產(chǎn)生的圖像差異性較強(qiáng)，同種設(shè)備的圖像，由于患者個(gè)體的差異和病變形態(tài)不同，也存在較大差異，并且圖像中也常存在偽影和噪聲，這些都增加了醫(yī)學(xué)圖像分割的難度。此外，醫(yī)學(xué)圖像分割需要進(jìn)行圖像的標(biāo)注，而這一標(biāo)注過(guò)程需要由專業(yè)的醫(yī)生手動(dòng)完成，不僅耗時(shí)費(fèi)力，而且高度依賴醫(yī)生的個(gè)人經(jīng)驗(yàn)。因此，在復(fù)雜醫(yī)學(xué)環(huán)境中實(shí)現(xiàn)高精度自動(dòng)圖像分割仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

2、近年來(lái)，基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法取得了顯著進(jìn)展。在cnn框架下，以u(píng)net及其變體為代表的模型，利用編碼器-解碼器結(jié)構(gòu)和強(qiáng)大的局部特征提取能力，顯著提升了分割性能。然而，基于cnn的方法受限于局部感受野的大小，在捕獲長(zhǎng)距離上下文特征時(shí)存在不足。為了解決這一問(wèn)題，基于自注意力機(jī)制的transformer方法應(yīng)運(yùn)而生，該方法能夠有效克服計(jì)算機(jī)視覺(jué)任務(wù)中的局限性，但由于其帶來(lái)的巨大參數(shù)量，限制了其在高維醫(yī)學(xué)圖像分割中的應(yīng)用。最近，具有令牌混合mlp塊的多層感知機(jī)在大規(guī)模數(shù)據(jù)集上取得了驚人的性能?；趍lp的模型因其簡(jiǎn)潔的架構(gòu)而受到關(guān)注，但其在小數(shù)據(jù)集的醫(yī)學(xué)圖像分割任務(wù)中存在泛化能力不足的問(wèn)題。

3、然而，雖然當(dāng)前流行的醫(yī)學(xué)圖像分割網(wǎng)絡(luò)取得了一定進(jìn)展，但在網(wǎng)絡(luò)復(fù)雜度和分割精度之間難以取得良好的平衡，同時(shí)，現(xiàn)有方法在捕獲圖像細(xì)節(jié)和處理圖像差異性方面仍存在不足，且存在分割精度低的問(wèn)題。

4、因此，如何提高醫(yī)學(xué)圖像分割精度，是本領(lǐng)域亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的缺陷，提供一種基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割方法、系統(tǒng)及設(shè)備。本發(fā)明基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割方法，構(gòu)建基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型msafnet；獲取醫(yī)學(xué)圖像數(shù)據(jù)集，對(duì)所述基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型；獲取待分割醫(yī)學(xué)圖像；將所述待分割醫(yī)學(xué)圖像輸入至訓(xùn)練好的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型，對(duì)所述待分割醫(yī)學(xué)圖像進(jìn)行圖像分割，得到目標(biāo)分割圖像。本發(fā)明通過(guò)多軸混合殘差通道注意力塊mx-rcab混合多尺度特征，關(guān)注局部細(xì)節(jié)和全局依賴性，從而增強(qiáng)空間和通道維度的特征表達(dá)；利用空間交叉門(mén)控塊scgb過(guò)濾冗余信息，捕獲具有判別特征的底層細(xì)節(jié)信息，從而解決了現(xiàn)有的圖像分割方法精度低的問(wèn)題。

2、為了實(shí)現(xiàn)以上目的，本發(fā)明采用以下技術(shù)方案：

3、本發(fā)明提出一種基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割方法，其特征在于，包括步驟：

4、s1、構(gòu)建基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型msafnet；所述醫(yī)學(xué)圖像分割模型包括編碼器和解碼器，所述編碼器包括cnn塊、多軸混合殘差通道注意力塊mx-rcab，所述解碼器包括空間交叉門(mén)控塊scgb、解碼器塊decoderblock；

5、s2、獲取醫(yī)學(xué)圖像數(shù)據(jù)集，對(duì)所述基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型；

6、s3、獲取待分割醫(yī)學(xué)圖像；

7、s4、將所述待分割醫(yī)學(xué)圖像輸入至訓(xùn)練好的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型，對(duì)所述待分割醫(yī)學(xué)圖像進(jìn)行圖像分割，得到目標(biāo)分割圖像。

8、進(jìn)一步地，在所述基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型msafnet中，通過(guò)所述cnn塊從輸入的醫(yī)學(xué)圖像中逐層提取多尺度分層特征圖xl,l∈{1,2,…,l}，并將提取的分層特征圖輸入至多軸混合殘差通道注意力塊mx-rcab中進(jìn)行空間和通道上的全局信息交互；所述cnn塊由多個(gè)卷積層、池化層和激活函數(shù)組成。

9、進(jìn)一步地，所述多軸混合殘差通道注意力塊mx-rcab包括空間和通道兩個(gè)分支，在空間分支中，使用多軸特征混合mlp來(lái)融合局部和全局特征；在通道分支中，采用殘差通道注意力模塊rcab實(shí)現(xiàn)通道特征的增強(qiáng)；

10、然后，將空間分支與通道分支處理后的特征圖進(jìn)行拼接，再通過(guò)輸入的殘差連接融合所有通道，得到編碼器的輸出特征。

11、進(jìn)一步地，所述在空間分支中，使用多軸特征混合mlp來(lái)融合局部和全局特征，具體包括：

12、對(duì)于輸入特征xl∈rc×h×w,l∈{1,2,…,l}，其中c、h、w分別表示輸入特征圖的通道數(shù)，高度和寬度，l表示編碼器的深度，按vision?transformer的分塊方式劃分為n個(gè)不重疊的窗口，每個(gè)窗口的形狀大小為c×g×g，其中g(shù)為窗口大??；接著，特征圖沿通道維度分為局部分支與全局分支，每個(gè)分支都單獨(dú)使用轉(zhuǎn)置mlp注意力機(jī)制transpose?mlpattention來(lái)增強(qiáng)特征交互；

13、在transpose?mlpattention中，輸入特征x∈rc×h×w沿通道維度分為xa和xb，其中xa,xb∈rc/2×h×w；然后，對(duì)xa進(jìn)行處理以生成注意力權(quán)重，具體過(guò)程為：

14、xa＝softmax(w2·relu(w1·xa+b1)+b2)

15、其中，w1，w2分別是mlp的權(quán)重矩陣，b1，b2是偏置項(xiàng)，relu是激活函數(shù)，softmax函數(shù)用于歸一化以生成注意力權(quán)重xa；隨后，將計(jì)算得到的注意力權(quán)重xa應(yīng)用至線性變換后的xb上，進(jìn)行加權(quán)操作：

16、

17、其中⊙表示逐元素乘法，是加權(quán)后的特征圖，w3是線性變換層的權(quán)重矩陣，b3表示線性層的偏置值。

18、進(jìn)一步地，所述在通道分支中，采用殘差通道注意力模塊rcab實(shí)現(xiàn)通道特征的增強(qiáng)，具體包括：

19、對(duì)于輸入特征xl∈rc×h×w,l∈{1,2,...,l}，經(jīng)過(guò)卷積層、mlp層及squeeze-excitation模塊生成通道注意力權(quán)重，然后將該注意力權(quán)重與原始特征圖在通道維度上逐元素相乘；另外，殘差連接的加入允許輸入特征圖與加權(quán)后的特征圖相加；過(guò)程表示為：

20、

21、se(x)＝σ(wfc((pool(x))))⊙x

22、其中，ln表示層歸一化，mlp表示多層感知機(jī)層，se表示squeeze-excitation模塊，pool表示全局平均池化操作，wfc表示全連接層的權(quán)重矩陣，σ為sigmoid激活函數(shù)，⊙表示逐元素乘法，x表示squeeze-excitation模塊的輸入特征，為經(jīng)過(guò)殘差通道注意力機(jī)制增強(qiáng)后的輸出特征圖。

23、進(jìn)一步地，所述空間交叉門(mén)控塊scgb的輸入由編碼器與解碼器輸出的特征x和y組成，它們分別通過(guò)卷積層進(jìn)行維度對(duì)齊并產(chǎn)生對(duì)應(yīng)的特征圖；然后，通過(guò)初步特征激活：

24、xact＝σ(fc(ln(conv(x))))

25、yact＝σ(fc(ln(conv(y))))

26、其中，conv是3×3卷積層，ln是層歸一化，fc是全連接層，σ是gelu激活函數(shù)；

27、scgb的核心組件是交叉門(mén)控模塊cgb，所述交叉門(mén)控模塊對(duì)分塊后的串行窗口應(yīng)用線性層，分別生成查詢q、鍵k和值v；

28、qx,kx,vx＝linear(xact)

29、qy,ky,vy＝linear(yact)

30、接著，計(jì)算查詢q和鍵k之間的點(diǎn)積，經(jīng)過(guò)softmax激活函數(shù)后，生成的注意力權(quán)重與值v進(jìn)行加權(quán)求和，以得到新的特征表示：

31、

32、

33、其中，dk是縮放因子，用于平衡點(diǎn)積結(jié)果的大??；

34、另外，引入殘差連接進(jìn)行數(shù)據(jù)傳輸；為了保證輸出通道與輸入x和y具有相同的通道尺寸，使用全連接層完成線性變換，具體表示為：

35、outputx＝w4(xact⊙a(bǔ)ttentiony)+x

36、outputy＝w5(yact⊙a(bǔ)ttentionx)+y

37、其中，⊙表示元素點(diǎn)積，w4,w5表示對(duì)應(yīng)的mlp線性層映射特征，xact和yact表示初步激活后的特征。

38、進(jìn)一步地，所述解碼器塊decoderblock通過(guò)對(duì)解碼器輸出的低分辨率特征圖進(jìn)行上采樣操作，同時(shí)將來(lái)自編碼器中的對(duì)應(yīng)分辨率特征圖與上采樣后的特征圖進(jìn)行逐像素融合，以逐步恢復(fù)目標(biāo)圖像的空間細(xì)節(jié)并增強(qiáng)特征表達(dá)；所述上采樣操作通過(guò)雙線性插值方法實(shí)現(xiàn)，將低分辨率特征圖擴(kuò)大到更高的分辨率。

39、進(jìn)一步地，對(duì)所述基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型進(jìn)行訓(xùn)練時(shí)，

40、損失函數(shù)由交叉熵?fù)p失celoss和dice相似系數(shù)損失diceloss兩部分組成，總的損失函數(shù)定義為：

41、l＝0.5lce+0.5ldice

42、交叉熵?fù)p失celoss用于衡量預(yù)測(cè)值與真實(shí)標(biāo)簽之間的差異，適用于像素級(jí)分類的語(yǔ)義分割任務(wù)，其計(jì)算公式如下：

43、

44、其中n表示一個(gè)批次中的樣本數(shù)量，c表示分類的總數(shù)量，yij表示第i個(gè)樣本在第j個(gè)類別的真實(shí)標(biāo)簽，pij表示第i個(gè)標(biāo)簽在第j個(gè)類別的預(yù)測(cè)概率；

45、dice相似系數(shù)損失diceloss基于dice相似系數(shù)，用于評(píng)估分割結(jié)果與真實(shí)標(biāo)注之間的重疊度，其計(jì)算公式如下：

46、

47、其中pi是模型預(yù)測(cè)的分割概率，gi是真實(shí)的分割標(biāo)注。

48、本發(fā)明還提出一種基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割系統(tǒng)，其特征在于，所述醫(yī)學(xué)圖像分割系統(tǒng)執(zhí)行所述的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割方法。

49、本發(fā)明還提出一種計(jì)算機(jī)設(shè)備，所述設(shè)備包括存儲(chǔ)器及處理器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的方法。

50、與現(xiàn)有技術(shù)相比，具有如下有益效果：

51、1、本發(fā)明的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割方法，將待分割醫(yī)學(xué)圖像輸入至訓(xùn)練好的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型，對(duì)所述待分割醫(yī)學(xué)圖像進(jìn)行圖像分割，得到目標(biāo)分割圖像；所述基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割模型包含多軸混合殘差通道注意力塊mx-rcab和空間交叉門(mén)控塊scgb，提升了醫(yī)學(xué)圖像分割的精度。

52、2、本發(fā)明的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割方法，多軸混合殘差通道注意力塊mx-rcab通過(guò)全局與局部特征融合模塊以及殘差通道再加權(quán)機(jī)制，在保留細(xì)節(jié)完整性的同時(shí)捕獲了更大感受野的全局信息，提升了模型處理復(fù)雜結(jié)構(gòu)時(shí)的特征辨別能力，進(jìn)一步提升了圖像分割的精度。

53、3、本發(fā)明的基于軸向mlp和空間交叉門(mén)控的醫(yī)學(xué)圖像分割方法，空間交叉門(mén)控塊scgb模塊，通過(guò)交叉門(mén)控機(jī)制自適應(yīng)融合編碼器的低級(jí)特征與解碼器的高級(jí)特征，有效過(guò)濾了冗余信息并保留關(guān)鍵特征，提高了底層特征的利用率，進(jìn)一步提升了圖像分割的精度。