(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211135634.9 (22)申请日 2022.09.19 (71)申请人 安徽大学 地址 230000 安徽省合肥市肥西路3号 (72)发明人 朱玉情　黎青　 (74)专利代理 机构 徐州迈程知识产权代理事务 所(普通合伙) 32576 专利代理师 胡建豪 (51)Int.Cl. G06T 7/11(2017.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06T 5/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多尺度融合的全局上下文关注网络的 图像分割方法 (57)摘要 本发明提出基于多尺度融合的全局上下文 关注网络的图像 分割方法,包括数据预处理及分 类、 构建全局上下文关注网络模型、 全局上下文 关注网络模 型训练及图像分割四个步骤， 通过对 待分割的医学图像进行预处理， 并将其划分为不 同的数据集， 再构建基于多尺度融合的全局上下 文关注网络， 并将数据集输入全局上下文关注网 络进行训练， 再利用训练好的网络模 型进行图像 分割， 得到分割后的图像， 本发明通过将同一层 不同尺度特征进行融合， 将更多的空间信息保留 下来， 提高分割精度， 利用全局上下文建模， 有效 地捕获全局信息， 同时将通道注 意力机制置于跳 跃连接处， 融合不同的特征并且有效地提高模型 的表征能力， 来满足任务中对处理速度和分割精 度较高的要求。 权利要求书2页 说明书5页 附图2页 CN 115375711 A 2022.11.22 CN 115375711 A 1.基于多尺度融合的全局上下文关注网络的图像分割方法， 其特征在于： 包括以下步 骤： 步骤一、 数据预处 理及分类 获得待分割的医学图像数据， 并对该医学图像数据进行预处理， 再对经过预处理后的 医学图像数据进行划分， 将其划分为训练集数据、 验证集数据和 测试集数据； 步骤二、 构建全局上 下文关注网络模型 构建基于多尺度融合的全局上下文关注网络， 其包括特征图收缩网络、 四个多尺度融 合模块、 四个全局上 下文建模 模块、 四个通道 注意力模块和特 征图扩张 网络； 步骤三、 全局上 下文关注网络模型训练 将步骤一中划分的训练集数据输入多尺度融合的全局上下文关注网络 内进行训练， 并 使用交叉熵损失和Dice损失相结合， 计算真值与预测值之间的损失， 得到学习后的网络模 型； 步骤四、 图像分割 将步骤一中划分的测试集数据输入步骤三中训练好的网络模型内， 进行图像分割， 继 而得到分割后的图像， 并得 出评价指标。 2.根据权利要求1所述的基于多尺度融合的局上下文关注网络的图像分割方法， 其特 征在于： 所述步骤一中预 处理包括对医学图像数据分别进行降噪、 去除冗余背 景、 统一尺 寸 以及标签标注。 3.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法， 其 特征在于： 所述 步骤一中对训练集数据和验证集数据进行 数据增强， 以防止过拟合。 4.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法， 其 特征在于： 所述步骤二中特征图收缩网络与特征图扩张网络之间设有跳跃连接， 所述多尺 度融合模块、 全局上 下文建模 模块和通道 注意力模块设于 跳跃连接处。 5.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法， 其 特征在于： 所述步骤二中特征图收缩网络包括自上而 下分层设置的五层卷积块和四层最大 池化操作， 用于对原 始图像的特 征提取。 6.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法， 其 特征在于： 所述步骤二中多尺度融合模块是利用多个不同卷积核的卷积操作， 提取不同的 特征， 最后将这些 特征相加。 7.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法， 其 特征在于： 所述步骤二中全局上下文建模模块用于聚合全局信息， 避免因局部信息的局限 性影响分割精度。 8.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法， 其 特征在于： 所述步骤二中通道注意力模块的两个输入分别来自上层卷积块的输出和全局上 下文建模 模块的输出， 且通道 注意力模块用于关注重要的特 征信息， 并过 滤背景和噪声。 9.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法， 其 特征在于： 所述步骤二中特征图扩张网络包括自下而 上分层设置的四层卷积块和四层最大 池化操作， 且特征图扩张网络用于在特征图收缩网络和跳跃连接提供的图像特征信息的基 础上， 预测出与原 始图像尺寸大小相同的分割图像。权　利　要　求　书 1/2 页 2 CN 115375711 A 210.根据权利要求1所述的基于多尺度融合的全局上下文关注网络的图像分割方法， 其 特征在于： 所述 步骤三中， 训练的具体步骤为： S1： 将训练集数据分为 n批， 并初始化权 重； S2： 分批次将训练集数据输入构建好的模型内， 计算真值与预测值之间的损失； S3： 再将验证集数据输入构建好的模型内， 计算真值与预测值之间的损失； S4： 比较验证过程的损失与训练过程的最小损失， 若验证过程的损失小于训练过程的 最小损失， 则保存当前训练的模型并更新网络参数， 若大于则继续下一 步骤； S5： 判断迭代次数是否为设置的epoch值， 若未达到则继续输入训练集训练， 若达到设 置的epoc h值则训练完成， 得到学习后的网络模型。权　利　要　求　书 2/2 页 3 CN 115375711 A 3