[发明专利]一种融合通道和空间注意力的卷积神经网络息肉分割方法

权利要求书

1.一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，包括以下步骤：

(1)准备数据集，分为训练和测试数据集；

(2)利用残差模块作为编码器提取图像的特征；

(3)利用双重挤压激励模块增强瓶颈层对高级特征的提取能力；

(4)在解码器使用通道和空间组合的注意力模块，从通道和空间两个层面上关注关键区域，从提取到的特征选择最相关的特征，抑制不相关的特征，提高分割精度；此外使用跨层融合的方式，捕获上下文信息，细化分割的边界，通过解码器，最终生成全局预测图Sg；

所述通道和空间组合的注意力模块，通过并联和嵌套两种方式将通道注意力和空间注意力融合使用；整个模块分为a,b,c三路，在通路a中，首先将输入的特征通过一个双重挤压激励模块模块进行特征增强，生成特征图M_c，然后将M_c进行两次3×3的卷积实现非线性变换，再次使用双重挤压激励模块模块进行特征增强，得到权重矩阵M_v；在通路b中，特征图进行一次1×1的卷积操作，其通道数降为原来的一半，然后再进行批归一化和一个1×1的卷积操作，通道数降为1，最后由Sigmoid函数得到空间权重M_q；在通路c中，特征图经过两次3×3的卷积操作后，通道数减半，然后再经过一个双重挤压激励模块模块处理，生成特征图M_k，通过点乘的方式，将通路b中得到的特征权重M_q与通路c中得到的特征图M_k相乘，为M_k的每个通道中各个像素分配权重，生成特征图M_s，再利用矩阵乘法，将M_s与通路a中得到的特征图M_v结合起来，生成新的特征M_att，然后，选用M_att作为权重矩阵，通过点乘的方式与M_c相乘，得到M_r，最后通过特征融合的方式，将M_c与M_r结合起来，形成该层的分割结果M_final，用公式可以表示为：

M_final＝concat(M_r,M_c) (1)

其中，M_c和M_r分别表示为：

M_c＝d(x) (2)

M_r＝M_c·M_att (3)

M_att又可以表示为：

M_att＝(M_q·M_k)×M_v (4)

其中M表示特征图，concat(·,·)表示连接操作，d(·)表示DSE操作，·表示矩阵内积，×表示矩阵外积；

(5)在瓶颈层和解码器部分，通过深监督对网络输出进行监督，在每层生成预测结果S₂～S₆；

(6)进行网络模型训练。

2.根据权利要求1所述的一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，所述步骤(1)具体为，准备数据集Kvasir-SEG和CVC-ClinicDB，并且按照9:1的比例将Kvasir-SEG和CVC-ClinicDB随机分为训练和测试数据集；准备数据集CVC-ColonDB,ETIS-LARIBPOLYPDB和CVC-T，作为测试数据集。

3.根据权利要求1所述的一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，所述步骤(2)中残差模块，首先使用一个1×1的卷积对输入特征进行通道变换，得到特征图M₁，然后对M₁进行两次3×3的卷积操作，得到特征图M₂，每一次卷积操作之后均经过批归一化和ReLU激活函数，最后将M₁与M₂相加，得到最终的特征图M_RB。