(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 202210228391.7 (22)申请日 2022.03.10 (71)申请人 扬州大学 地址 225009 江苏省扬州市大 学南路88号 (72)发明人 陈舒涵　陆露　徐秀奇　俞锦豪　 陈泽宇　汤浩楠　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 王晓东 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于边界引导的息肉图像分割方法 (57)摘要 本发明公开了一种基于边界引导的息肉图 像分割方法， 包括： 构建息肉图像分割模 型； 将待 分割的息肉图像输入息肉图像分割模 型中， 得到 各个侧输出的区域预测图PR4‑PR1和边界预测图 PB4‑PB1， 并将其上采样至与待分割的息肉图像相 同的分辨率， 得到区域预测图 和 边界预测图 利用交叉熵损失函数 计算区域预测图 边界预测图 与真实标注图之间的误差， 并将误 差进行反向传递以更新息肉图像分割模型参数， 以训练息肉图像 分割模型； 将待分割的息肉图像 输入至训练好的息肉图像分割模 型中， 将残差细 化译码器A输出的区域预测图通过一个Sigmoid 层归一化至(0,1)， 再恢复原图像分辨率后输出 为最终的分割结果； 本发明大大提高了息肉图像 分割的准确性； 实现了更精准的区域预测。 权利要求书4页 说明书10页 附图3页 CN 114612662 A 2022.06.10 CN 114612662 A 1.一种基于边界引导的息肉图像分割方法， 其特 征在于， 包括： 构建息肉图像分割模型； 将待分割的息肉图像输入息肉图像分割模型中， 得到各个侧输出的区域预测图PR4‑PR1 和边界预测图PB4‑PB1， 并将其上采样至与待分割的息 肉图像相同的分辨率， 得到区域预测 图 和边界预测图 利用交叉熵损失函数计算区域预测图 边界预测图 与 真实标注图之间的误差， 并将误差进行反向传递以更新息肉图像分割模型参数， 以训练息 肉图像分割模型； 将待分割的息肉图像输入至训练好的息肉图像分割模型中， 将残差细化译码器A输出 的区域预测图通过一个Sigmoid层归一化至(0,1)， 再恢复原图像 分辨率后输出为最终的分 割结果。 2.如权利要求1所述的基于边界引导的息肉图像分割方法， 其特征在于， 所述构建息肉 图像分割模型包括： 以Res2Net ‑50为骨干网络， 将骨干网络是layerB～layerE作为侧输出特征Ft(t＝1,2, 3,4),分别送入残差细化译码器A～C和初始定位译码器， 其中， t表示骨干网络的侧 输出级 数， t＝1～4对应骨干网络layerB～E的侧输出级； 通过初始定位译码器检测息肉组织的初始粗位置， 且该初始定位译码器的输出结果图 的分辨率为原图像的1/ 32； 通过残差细化译码器A～C修复息肉组织的初始粗位置 中丢失的目标部分， 并细化边界 细节。 3.如权利要求2所述的基于边界引导的息肉图像分割方法方法， 其特征在于， 初始定位 译码器的工作过程包括： 通过初始定位译码器将输入特征F4送入一个1 ×1卷积层， 将通道数降为64， 得到输入特 征x4， 卷积层的参数为{2048， 64， 1 ×1}， 其中， {in_channel， out_channel， k ×k}的in_ channel表示输入特征的通道数， out_channel表示输出特征的通道数， k表示卷积核大小， 卷积层后附有一个批归一 化层BatchNorm和一个非线性激活层ReLU； 将输入特 征x4输入至一个分层分裂卷积HSC， 得到 息肉组织的边界特 征 而后经过一个卷积层将通道数降为1， 卷积参数为{64， 1， 3 ×3}， 卷积层后附有一个批 归一化层BatchNorm和一个非线性激活层ReLU， 得到该初始定位译码器的初始边界预测图 其中， HSC( ·)表示分层分裂卷积 操作， Conv3×3(·)表示3×3卷积层； 将息肉组织的边界特征 与输入特征x4沿通道维度拼接， 进行边界 ‑区域引导学习， 再 输入4个卷积层中学习区域特征， 卷积参数依次为{128,64,3 ×3}、 {64,64,3 ×3}、 {64,64,3 ×3}、 {64,1,3 ×3}， 卷积层后都附有一个批归一化层Bat chNorm和一个非线性激活层ReLU， 最后输出初始定位译码器的区域预测图 权　利　要　求　书 1/4 页 2 CN 114612662 A 2其中， Cat( ·)表示沿通道维度进行拼接操作。 4.如权利要求2或3所述的基于边界引导的息肉图像分割方法， 其特征在于， 残差细化 译码器A～C的工作过程包括： 将输入特征F1～F3输入一个1 ×1卷积层把通道数降为64， 得到输入特征xt,(t＝[1,2, 3])， 卷积参数为{in_channel， 64， 1 ×1}， 卷积层后附有一个批归一化层BatchNorm和一个 非线性激活层ReLU， 再将其分别送入边界分支和区域分支中进行残差修 正。 5.如权利要求4所述的基于边界引导的息肉图像分割方法， 其特征在于， 所述送入边界 分支进行残差修 正包括： 在边界分支 中， 对深层区域预测 上采样至和输入特征xt相同分辨率， 再与输入特征 xt相拼接得到边界特 征 将边界特征 输入一个卷积层把通道数降为1， 卷积参数为{64， 1， 3 ×3}， 卷积层后附 有一个批归一化层BatchNorm和一个非线性激活层ReLU， 得到该译码器输出的边界预测图 其中， Up(·)表示上采样 操作， Conv3×3(·)表示3×3卷积层。 6.如权利要求5所述的基于边界引导的息肉图像分割方法， 其特征在于， 所述送入区域 分支进行残差修 正包括： 在区域分支中， 通过反向注意力机制模块得到区域特征 再将其与边界特征 沿通 道维度进行拼接得到融合 边界特征后的区域特 征 通过四个卷积层对 进行残差学习， 卷积参数依次为{128， 64， 3 ×3}、 {64， 64， 3 ×3}、 {64， 64， 3 ×3}、 {64， 1， 3 ×3}， 前三个卷积层后都附有一个批归一化层BatchNorm和一个非 线性激活层ReLU， 最后一个卷积层将通道数降为 1， 再将其结果与上采样后的深层区域预测 相加， 得到残差细化译码器A ～C输出的区域预测图 7.如权利要求5或6所述的基于边界引导的息肉图像分割方法， 其特征在于， 包括： 分层 分裂卷积HSC为： 步骤1： 将输入特征x4在通道维度上分成6个分裂组， 分别为[x1,x2,x3,x4,x5,x6]， 其中， x1‑x5分别有11个通道， x6有9个通道， 具体表示 为： [x1,x2,x3,x4,x5,x6]＝Split(x4) 其中， Spl it(·)表示沿通道维度进行分裂；权　利　要　求　书 2/4 页 3 CN 114612662 A 3