买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆理工大学

摘要：本发明涉及图像数据处理方法领域，具体涉及基于重参数化与卷积块注意力的息肉图像分割算法，包括：获取原始医学图像；对原始医学图像使用重参数化卷积下采样从原始医疗图像中提取有价值的空间特征与深层语意特征，并使用卷积块注意力模块提取不同尺度息肉要素的特征。然后，使用线性二插值算法结合组卷积对底层特征进行上采样，保证息肉图像分割的精确性。最后，将卷积块注意力提取的特征向量与上采样得到的特征进行拼接，形成下一层的上采样初始特征。本发明对于不同类别数据集的息肉都具有较强的泛化性。

主权项：1.基于重参数化与卷积块注意力的息肉图像分割算法，其特征在于，包括以下步骤假设原始医学图像为：S1：获取原始图像；S2：对原始图像进行预处理，对尺寸不同的息肉图像进行放缩与灰边填充，而后对将要传入模型的原始图像与标签图像进行One-hot编码操作；S3：使用重参数化训练模块提取原始医学图像的不同感受野鲁棒特征，使用步长为2的重参数化训练模块对原始医学图像进行下采样，使用步长为1的重参数化训练模块对医学图像特征进行深度提取；S4：使用卷积块注意力模块对重参数化后的医学图像特征进行处理，进一步得到特征中的空间特征、语意特征；S5：使用线性二插值上采样结合组卷积模块，对通过瓶颈结构的特征进行上采样，而后与卷积块注意力模块得到的特征内容进行融合；S6：保存重参数化卷积块注意力模块网络的权重参数，使用重参数化方法对保存的权重参数进行重参数化；S7：修改重参数化卷积块注意力模型的下采样为重参数化预测模块，以此模型来对不提供标签的原始息肉医学图像进行分割；S8：计算分割图像与其标签内容的mIou、mDice、mPre和mRec；步骤S2中，使用传统视觉处理方法对息肉图像与标签图像进行统一的放缩与裁剪，而后对其进行one-hot编码操作；步骤S3中，使用重参数化训练模块提取原始医学图像的不同感受野鲁棒特征，使用步长为2的重参数化训练模块对原始医学图像进行下采样得到下一步特征，使用步长为1的重参数化训练模块对医学图像特征进行深度提取得到下一步特征；步骤S6中，重参数化网络结构主要体现在：训练时使用多分支结构，包括3×3卷积连接BatchNormal、1×1卷积连接BatchNormal以及单独的BatchNormal分支；进行预测操作时，则使用单一拓扑结构，在忽略激活层的情况下，进行预测操作时RepBlock的重参数化的计算过程为，首先将各分支结构转化为带有偏置向量的3×3卷积，多分支信息相加后，得到承载所有偏置向量的3×3卷积，即模型进行预测时，可以消除训练网络中多分支拓扑产生的信息冗余，这样一来，多分支结构解藕为了单一结构，但仍旧保留着多分支结构的作用效果，仅仅是其参数得到了整合，其特征融合公式为： （1）因此，本算法中的RepBlock主体可以看做只有一种类型的操作符：3×3conv后面跟着Relu，重参数化卷积层的设计灵感来自于参数共享和矩阵乘法的技巧；通过重参数化卷积层，RCNNet将传统的多重循环计算转化为高效的矩阵乘法运算，从而显著提高了计算速度，重参数化卷积层在保持准确性的同时，获得与普通卷积相似的计算速度，使得RCNNet在推理阶段具有高效性和优越的性能，故而它在息肉图像分割中对于提高准确率能起到非常重要的作用；重参数块推导过程如公式1所示，对经过普通卷积操作的输入特征图进行投影向量计算，投影向量计算公式如下： （2）其中，表示输出特征图的第c个通道，表示1×1卷积核在通道c和输出通道k的权重，得到投影向量后就需要合并特征图和投影向量，最后再重组通道，将新的特征图重组为具有三个部分的特征图：第一部分为原始输出特征图的前c_out个通道，第二部分是原始输出特征图的第c_out个通道，第三部分是投影向量的后c_out个通道，组合成最后的输出特征图；训练时首先对原始图像进行归一化，使用无分支下采样RepBlock进行下采样，提取图像不同尺度的特征值；然后采用通道注意力机制串联空间注意力机制相结合的卷积块注意力机制，对重参数化后的医学图像特征进行处理；最后使用线性二插值结合组卷积嵌入模块进行上采样，得到息肉图像分割算法。

全文数据：

权利要求：

百度查询： 重庆理工大学 基于重参数化与卷积注意力的息肉分割算法