(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 202210936806.6 (22)申请日 2022.08.05 (71)申请人 厦门大学 地址 361005 福建省厦门市思明南路42 2号 (72)发明人 李绍滋　何捷舟　罗志明　江敏　 (74)专利代理 机构 厦门原创专利事务所(普通 合伙) 35101 专利代理师 李权 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/42(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 医学图像小病灶分割方法、 存储介质和电子 设备 (57)摘要 本发明提供了一种医学图像小病灶分割方 法、 存储介质和电子设备， 所述方法包括： 构建图 像分割网络模 型； 将待处理的医学图像输入编码 模块， 提取医学图像在不同尺度下的全局特征， 得到多种不同尺度的特征图； 将多种不同尺度的 特征图输入至跳跃连接模块， 采用位置相关性网 络计算不同子块之间的位置关系， 构建位置权重 矩阵来加强对医学图像上器官区域的关注度； 根 据编码模块最后一层输出的特征图提取深层特 征， 并将提取的深层特征输入至解码模块， 并通 过上采样对 各个尺度的特征图进行尺度还原， 对 不同尺度还原的特征图与位置相关性网络输出 的特征矩阵进行融合， 输出最终特征图。 通过上 述方案能够有效提升病灶 分割的准确性。 权利要求书2页 说明书7页 附图3页 CN 115457261 A 2022.12.09 CN 115457261 A 1.一种医学图像小病灶分割方法， 其特 征在于， 所述方法包括以下步骤： S1： 构建图像分割网络模型； 所述图像分割网络模型包括编码模块、 解码模块和跳跃连 接模块； S2： 将待处理的医学图像输入所述编码模块， 提取所述医学图像在不同尺度下的全局 特征， 得到多种不同尺度的特 征图； 所述医学图像 被分割为多个子块； S3： 将所述多种不同尺度的特征图输入至所述跳跃连接模块， 采用位置相关性网络计 算不同子块之间的位置关系， 构建位置 权重矩阵来加强对医学图像上器官区域的关注度； S4： 根据所述编码模块最后一层输出的特征图提取深层特征， 并将提取的深层特征输 入至解码模块， 解码模块通过卷积操作对所述深层特征进行特征重构， 并通过上采样对各 个尺度的特征图进行尺度还原， 对不同尺度还原的特征图与位置相关性网络输出的特征矩 阵进行融合， 输出最终特 征图。 2.如权利要求1所述的医学图像小病灶分割方法， 其特 征在于， 步骤S2包括： S21:编码模块将所述待处理的医学图像分割为若干不重叠的S ×S×3的子块， 共计得 到 个子块， 并通过线性嵌入层映射到任意维度C， 得到 尺度下的特 征图； S22:通过多层Swin ‑Transformer提取全局特征， 将提取到的全局特征通过特征合并层 进行2x2的特 征融合， 将得到的 块特征图送入到下一层Sw in‑Transformer； S23:重复步骤S22， 分别得到 三种不 同尺度下的特 征图。 3.如权利要求2所述的医学图像小病灶分割方法， 其特征在于， 所述编码模块最后一层 输出的特 征图为 特征图。 4.如权利要求3所述的医学图像小病灶分割方法， 其特 征在于， 步骤S4包括： S41： 对编码器模块输出的 特征图采用子块重构层进行重构， 然后送入 解码器模块； S42:重构后的特征图在解码器模块采用上采样进行尺度还原并与位置相关性网络输 出的位置相关性加权特征矩阵进行融合得到 的特征图送入两层的残差网络结 构进行特征还原； S43： 重复步骤S42三次， 输出最终特征图， 通过softmax函数进行映射得到最终的分割 结果图W×H×N， 其中， N 为分割类别数。 5.如权利要求1所述的医学图像小病灶分割方法， 其特征在于， 所述根据 所述编码模块 最后一层输出的特 征图提取深层特 征， 并将提取的深层特 征输入至解码模块包括： 编码模块通过子块重构层将 还原为 的特征矩阵， 其中i∈ {1,2,4}， 并将重构后的特 征矩阵输入到解码模块中。 6.如权利要求1所述的医学图像小病灶分割方法， 其特 征在于， 步骤S3包括：权　利　要　求　书 1/2 页 2 CN 115457261 A 2S31:输入I个来自于编码器模块的特征子块 其中fL＝{x,y}为子块的位 置特征， fC是子块的图像特 征， 则第i个子块与其 他子块的位置 权重矩阵可计算如公式: 其中， V为变换矩阵， Hij表示第i个子块与第j个子块之间的位置相关性矩阵， 其计算如 下公式： 其中， 是子块i与j的特 征矩阵， 其计算如下 方公式所示： 是子块i与j的位置矩阵， 其计算如下公式： 其中， K和Q是变换矩阵， 其作用是将原始特征 投影到子空间中来衡量他们的匹配 度， dk为子空间的特征维度， ε为不同波长的正弦余弦函数用于由低维空间映射到高维空 间； S32:位置相关性网络输出的特征图为原特征图与位置权重矩阵的合并特征图， 其计算 如公式下 方所示： 7.如权利要求6所述的医学图像小病灶分割方法， 其特征在于， 所述位置权重矩阵被配 置为增大器官区域的特 征权重以及抑制非器官区域的特 征权重。 8.如权利要求1所述的医学图像小病灶分割方法， 其特 征在于， 所述方法还 包括： S5： 通过激活函数将最终特 征图映射 为第一标签图； S6:获取第二标签图， 根据所述第一标签图和所述第二标签图的加权交叉熵损失与 Dice损失对训练模 型的参数进 行反向优化， 并重复上述步骤， 直到训练模型收敛， 确定最优 训练模型的参数； 所述第二标签图为包 含标注的标签图。 9.一种存储介质， 其特征在于， 所述存储介质中存储有计算机程序， 所述计算机程序被 执行时实现如权利要求1至8任一项所述的方法。 10.一种电子设备， 其特 征在于， 包括： 存储介质， 为如权利要求9所述的存 储介质； 处理器， 与所述存储介质电连接， 用于执行所述存储介质存储的计算机程序以实现如 权利要求1至8任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115457261 A 3