(19)中华 人民共和国 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 202111662906.6 (22)申请日 2021.12.3 0 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 夏平　张光一　彭程　雷帮军　 唐庭龙　邹耀斌　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 代理人 余山 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 5/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于拆分注意力的网络结合TRW-S算法 的息肉分割方法 (57)摘要 一种基于拆分注意力的网络结合TRW ‑S算法 的息肉分割方法， 它包括以下步骤： 步骤1： 收集 若干个息肉分割的数据集； 步骤2： 对数据集进行 数据增强； 步骤3： 进行数据集的划分； 步骤4： 构 建拆分注意力多尺度聚合网络； 步骤5： 将步骤3 中划分后的数据集放入步骤4建立的网络中进行 训练； 步骤6： 将测试集进行测试时数据增强 (TTA)并输入步骤5训练好的网络得出预测图； 步 骤7： 将预测图输入基于马尔科夫随机场的顺序 树加权信息传递算法 （TRW ‑S） 进行边缘平滑； 步 骤8： 输出预测图像； 步骤9： 构建评价体系对分割 结果进行评价。 权利要求书2页 说明书6页 附图3页 CN 114359214 A 2022.04.15 CN 114359214 A 1.一种基于拆分注意力的网络结合TRW ‑S算法的息肉分割方法， 其特征在于， 它包括以 下步骤： 步骤1： 收集若干个息肉分割的数据集； 步骤2： 对数据集进行 数据增强； 步骤3： 进行 数据集的划分； 步骤4： 构建拆分注意力多尺度聚合网络， 再使用所构建的网络对大肠息肉的图像进行 分割； 步骤5： 将步骤3中划分后的数据集 放入步骤4建立的网络中进行训练； 步骤6： 将测试集进行测试时数据增强(T TA)并输入步骤5训练好的网络得 出预测图； 步骤7： 将预测图输入基于马尔科夫随机场的顺序树加权信息传递算法(TRW ‑S)进行边 缘平滑； 步骤8： 输出 预测图像； 步骤9： 构建评价体系对分割结果进行评价。 2.根据权利要求1所述的方法， 其特征在于， 在步骤4中， 采用编码 ‑解码的方法对大肠 息肉进行分割， 具体包括以下步骤： 4‑1)采用ResNeSt ‑50编码结构作为骨干网络进行网络的编码； 4‑2)采用多层分支感受野模块(RFB)、 密 集聚合模块(D ense Aggregation)融合上下文 信息； 4‑3)采用8倍上采样的快速解码结构。 3.根据权利要求2所述的方法， 其特征在于， 在步骤4 ‑2)中， 分别获取ResNeSt ‑50编码 结构中stage2的输 出A1， stage3的输 出A2， stage4的输 出A3， A1通过 RFB模块获得特征图B1， A2通过RFB模块获得特征图B2， A3通过RFB模块获得特征图B3， B3通过2倍上采样、 3 ×3卷积 和BN层获得C3 ‑2,B3通过4倍上采样、 3 ×3卷积和BN层获得C3 ‑1,B2通过2倍上采样、 3 ×3卷 积和BN层获得C2 ‑1,B2与C3 ‑2进行逐像素相乘获得D2,B1与C2 ‑1进行逐像素相乘再与C3 ‑1 进行逐像素相乘获得D1， D2再与C3 ‑2进行特征融合得到E2,E2进行3 ×3卷积、 BN层、 2倍上采 样、 3×3卷积与BN层获得E2 ‑1， D1与E2 ‑1进行特征融合获得F1， F1最后经过一个3x3的卷积 层与BN获得输出G1。 4.根据权利要求1所述的方法， 其特征在于， 在步骤5中， 在进行训练时， 输入若干张训 练息肉图像进行多轮次的训练， 使用多尺度训练作为图片增广方式， 在进行多轮次的训练 后收敛。 5.根据权利要求1所述的方法， 其特征在于， 在步骤6 中， 将数据集中的若干幅图像输入 模型得出验证结果， 验证时使用测试时图像增强(T TA)提高检测效果。 6.根据权利要求1所述的方法， 其特征在于， 在步骤6 中， 将测试集进行测试时数据增强 并输入步骤5训练好的网络得 出预测图时， 采用以下步骤： 6‑1)将测试集水平翻转输入 模型得出预测图像再翻转回来 6‑2)将测试集竖直翻转输入 模型得出预测图像再翻转回来 6‑3)直接将测试集输入 模型得出预测图像 6‑4)将上述 三个测试集的预测结果做求和取平均。 7.根据权利要求1所述的方法， 其特征在于， 在步骤7中， 在进行测试时数据增强(TTA)权　利　要　求　书 1/2 页 2 CN 114359214 A 2输出结果中构建马尔科夫随机场对于二元项进行平滑处理， 提高分割效果的边缘连续性和 分割区域内部的一 致性； 具体包括以下步骤： 7‑1)对深度学习产生的灰度 预测图构建马尔科夫随机场， 将图像的每个像素作为马尔 科夫随机场的一个节点， 使用像素 灰度值作为节点的一元项权 重； 7‑2)构建基于马尔科夫随机场的顺序 树加权信息传递算法(TRW ‑S)对分割边缘进行二 元项平滑， 其中的一元项权 重即通过分割网络产生的分割结果的像素 数值大小。 8.根据权利要求1所述的方法， 其特征在于， 还包括步骤9： 构建评价体系对分割结果进 行评价； 在步骤9中构建评价体系进行评价； 使用平均交并比(mIoU)、 平均置信度(mDice)、 结构性度量(Smeasure)和平均绝对误差(MAE)等作为客观评价指标对分割效果进行定量评 价。权　利　要　求　书 2/2 页 3 CN 114359214 A 3