CN115965630B 一种基于内窥镜图像的深度融合的肠息肉分割方法及装置 （安徽大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115965630B(45)授权公告日2025.07.11

(21)申请号202211464842.3

(22)申请日2022.11.22

(65)同一申请的已公布的文献号申请公布号CN115965630A

(43)申请公布日2023.04.14

(73)专利权人安徽大学

地址230039安徽省合肥市蜀山区肥西路3

号

(72)发明人徐晨初夏志强周鹏

张贺晔赵姝张燕平韩龙飞韩军伟

(51)Int.CI.

G06T7/10(2017.01)

GO6T7/136(2017.01)

GO6T5/50(2006.01)

GO6N3/08(2023.01)

GO6N3/0464(2023.01)

(56)对比文件

CN114820632A,2022.07.29CN114897870A,2022.08.12审查员贾云杰

(74)专利代理机构合肥市浩智运专利代理事务

所(普通合伙)34124专利代理师丁瑞瑞

权利要求书5页说明书13页附图4页

(54)发明名称

一种基于内窥镜图像的深度融合的肠息肉分割方法及装置

(57)摘要

CN115965630B本发明公开了一种基于内窥镜图像的深度融合的肠息肉分割方法及装置，所述方法包括：采集内窥镜下肠息肉图像并进行预处理得到训练集和测试集；利用门控轴向注意力机制模块和滑动窗口注意力机制模块构建深度特征融合模块；利用门控轴向注意力机制模块、深度特征融合模块以及注意力门控模块构建肠息肉图像分割模型；利用训练集训练肠息肉图像分割模型得到最优的肠息肉图像分割模型；将实时采集的内窥镜下肠息肉图像输入最优的肠息肉图像分割模型得到预测分割图像；本发明的优点在于：解

CN115965630B

采集内窥镜下肠息肉图像并进行预处理得到训练集和测试集

利用门控轴向注意力机制模块和滑动窗口注意力机制模块构建深度特征融合模块

利用门控轴向注意力机制模块、深度特征融合模块以及|注意力门控模块构建肠息肉图像分割模型

利用训练集训练肠息肉图像分割模型得到最优的肠息肉图像分割模型

将实时采集的内窥镜下肠息肉图像输入最优的肠息肉图像分割模型得到预测分割图像

SI

S3

S4

S5

CN115965630B权利要求书1/5页

2

1.一种基于内窥镜图像的深度融合的肠息肉分割方法，其特征在于，所述方法包括：

步骤一：采集内窥镜下肠息肉图像并进行预处理得到训练集和测试集；

步骤二：利用门控轴向注意力机制模块和滑动窗口注意力机制模块构建深度特征融合模块；

所述步骤二包括：

S21、构建门控轴向注意力机制模块：将原始的自注意力机制模块拆分为两个模块，一个模块在高度轴上进行自注意力计算，另一个模块在宽度轴上进行计算，计算公式如下

其中，W表示宽度，H表示高度，q、k分别表示查询向量、键向量，Qi,j表示在i∈{1,...H},j∈{1,...W}中任意位置的查询向量，ki,w、Ui,w表示在某一宽轴上i∈{1,...H}中的任意位置的健向量与值向量，p,wpw和pw表示查询向量、健向量和值向量所对应的位置偏置；利用门控机制来控制位置信息的权重，更新高度轴上自注意力计算公式，即：

其中，Gq,Gk,G1,均是控制参数；

S22、构建基于窗口的注意力机制模块，基于滑动窗口注意力机制模块表示为：

Z′=W_MSA(Norm(Zi—1))+Zi-1

Zi=FFN(Norm(Z`i))+Z

Zi+1=SW_MSA(Norm(Zi)+Zi

Zi+1=FFN(Norm(Z`i))+Zi+1

其中，W_MSA表示输入特征通过的基于窗口的注意力模块，SW_MSA表示基于滑动窗口注意力机制模块，Zi-1表示第i层中W_MSA的输入特征，Z表示第i层中W_MSA的输出特征，也为第i层中SW_MSA的输入特征；Norm表示归一化，i为某中间块标识符，FFN表示为一个隐藏层的全连接网络；

S23、构建深度特征融合模块：门控轴向注意力机制模块和滑动窗口注意力机制模块的输出经过重塑得到特征图，利用卷积操作调整特征图尺寸，通过特征拼接融合各路特征图，

再通过卷积操作得到融合特征Map};

步骤三：利用门控轴向注意力机制模块、深度特征融合模块以及注意力门控模块构建