基于状态空间的视觉曼巴高阶形态学图像分割方法及系统与流程

本发明涉及医学图像分割，尤其指一种基于状态空间的视觉曼巴高阶形态学图像分割方法及系统。

背景技术：

1、随着深度学习在医学图像分割领域的发展，卷积神经网络逐渐被应用于癌症病灶分割。u-net通过编码器-解码器和跳转连接捕捉丰富的特征信息。注意力u-net在全卷积网络中引入了注意力机制，以抑制低灵敏度特征并增强病变区域信息。研究人员提出了一种通道级对比单域泛化方法，通过进行低级特征增强来进行后续对比训练。mhorunet在全卷积网络中引入了高级空间交互运算，以减轻特征信息冗余，在皮肤癌病变分割中取得了优异的性能。然而，由于卷积的固有局限性，全卷积神经网络缺乏对全局信息建模的能力。对于基于transformer框架的方法，swin transformer通过分层设计关注全局信息，从而增强了vision transformer的有效性，但由于医学图像的稀缺性，一些研究人员开始将cnn与transformer相结合，以增强transformer的鲁棒性。transnorm将transformer模块集成到标准的u-net编码器和跳转连接中，通过自适应地重新校准跳转路径来改善分割效果，从而避免了transformer因底层特征不足而导致的有限定位能力。然而，由于自注意机制的二次复杂性，基于变换器的方法往往会导致计算量激增。因此，有必要设计一种既能有效捕捉全局上下文信息，又能保持线性计算复杂度的医学图像分割架构。

2、目前，与变换器相比，状态选择空间(ssm)在医学图像分割中表现出了卓越的性能，同时降低了计算要求。mamb不仅为处理长序列数据提供了高效的解决方案，还通过并行训练大大减少了需要训练的模型参数数量。vm-unet和vm-unet-v2在皮肤癌分割方面也取得了优异的成绩。此外，ultralight vm-unet证实，与transformer相比，vision mamba可以在医疗图像分割中以更低的计算负荷实现出色的性能。尽管这些模型在分割医学图像方面取得了很大进步，但在分割图像边缘区域方面仍存在不足。

技术实现思路

1、本发明的目的之一在于提供一种基于状态空间的视觉曼巴高阶形态学图像分割方法，以提高图像边缘区域的分割准确性。

2、为了解决上述技术问题，本发明采用如下技术方案：一种基于状态空间的视觉曼巴高阶形态学图像分割方法：建立图像分割模型，载入训练集图像，再将待分割图像输入经过训练后的图像分割模型中进行图像分割，所述图像分割模型的分割步骤包括：

3、(1)使用高阶形态学方法视觉状态空间模块(hmm-vss模块)提取输入图像的特征；

4、(2)通过u形网络特征提取编码器进一步提取特征；

5、(3)在分支编码器和共享解码器的第3至第6层中加入hmm-vss模块，并在第3至第6层设置不同的阶次，以提高捕捉上下文信息的能力；

6、(4)利用可视状态空间块(vss)基于扫描扩展操作、扫描合并操作和s6模块操作处理特征信息；

7、(5)通过解码器逐步恢复图像的空间分辨率，并通过跳跃连接将编码器提取的特征与解码器的特征融合；

8、(6)应用外部多尺度注意机制(emws attention)和基于跳接的通道与空间注意桥(sca bridge)模块实现多层次、多尺度的信息融合；

9、(7)利用形态学方法的侵蚀和扩张操作强调病变区域的边界特征，减少噪声干扰并保留形态细节；

10、(8)在解码器的最终层进行上采样和特征融合，以输出最终的图像分割结果。

11、优选地，所述图像分割模型设计为6层结构，通道数设置为8、16、32、64、128、256。

12、更优选地，所述hmm-vss模块为高阶形态学方法视觉状态空间模块，其结构包含有hmm-ss2d模块，所述hmm-ss2d模块的结构中包含有local-ss2d模块和mm-ss2d模块。

13、更优选地，所述hmm-ss2d模块通过保留ss2d捕捉全局上下文信息的能力，并关注图像的局部特征信息。

14、更优选地，所述hmm-vss模块表示为：

15、

16、

17、更优选地，使特征信息在信道上被切成两部分，然后分别输入深度卷积和hmm-ss2d模块，将mm-ss2d模块与local-ss2d模块已经输出的特征进行哈达玛乘积，重新聚焦全局感知场，并增加局部特征的权重。

18、更优选地，步骤(7)中，使用所述mm-ss2d模块来减轻原始图像中的噪声干扰，并有选择性地保留相关特征信息，从而保留足够的形态细节，所述mm-ss2d模块表示为：

19、

20、y＝wave(x)+ss2d(x)+dw(x)+φ(x)。

21、更优选地，步骤(4)中，扫描扩展操作将原始输入特征图像从四个方向扩展成不同的序列，然后输入到s6模块，所述s6模块允许在四个方向上并行扫描不同序列，并有效存储中间结果，扫描合并操作对s6模块从四个方向提取的不同特征序列进行重新求和并反向合并，从而将输入的特征图像恢复到原始大小。

22、另外，本发明还提供一种基于状态空间的视觉曼巴高阶形态学图像分割系统，其包括：

23、一个处理器，用于执行上述的基于状态空间的视觉曼巴高阶形态学图像分割方法；

24、一个存储器，用于存储处理器执行过程中所需的数据和指令。

25、与现有技术相比，本发明具有以下有益效果：

26、1、本发明所提出的基于状态空间的视觉曼巴高阶形态学图像分割方法，采用ss2d的形态学方法可确保全局和局部感受野，同时在一定程度上减少特征信息的混叠；

27、2、通过引入选择性扫描-2d(ss2d)首次将形态学方法纳入vision mamba结构。此外，外部多尺度关注机制(emws)结合了卷积和ss2d模块的特征信息，实现了多空间和多尺度融合，通过小波变换和选择性状态空间减轻了混叠现象；

28、3、通过在三个公共医疗图像癌症分割数据集上进行实验，结果表明，hmm-vmamba保持了很强的竞争力，图像边缘区域的分割准确性得到明显提高，展现了该模型的有效性。

1.基于状态空间的视觉曼巴高阶形态学图像分割方法，其特征在于：建立图像分割模型，载入训练集图像，再将待分割图像输入经过训练后的图像分割模型中进行图像分割，所述图像分割模型的分割步骤包括：

2.根据权利要求1所述的基于状态空间的视觉曼巴高阶形态学图像分割方法，其特征在于：所述图像分割模型设计为6层结构，通道数设置为8、16、32、64、128、256。

3.根据权利要求1所述的基于状态空间的视觉曼巴高阶形态学图像分割方法，其特征在于：所述hmm-vss模块为高阶形态学方法视觉状态空间模块，其结构包含有hmm-ss2d模块，所述hmm-ss2d模块的结构中包含有local-ss2d模块和mm-ss2d模块。

4.根据权利要求3所述的基于状态空间的视觉曼巴高阶形态学图像分割方法，其特征在于：所述hmm-ss2d模块通过保留ss2d捕捉全局上下文信息的能力，并关注图像的局部特征信息。

5.根据权利要求3所述的基于状态空间的视觉曼巴高阶形态学图像分割方法，其特征在于：所述hmm-vss模块表示为：

6.根据权利要求3所述的基于状态空间的视觉曼巴高阶形态学图像分割方法，其特征在于：使特征信息在信道上被切成两部分，然后分别输入深度卷积和hmm-ss2d模块，将mm-ss2d模块与local-ss2d模块已经输出的特征进行哈达玛乘积，重新聚焦全局感知场，并增加局部特征的权重。

7.根据权利要求3所述的基于状态空间的视觉曼巴高阶形态学图像分割方法，其特征在于：步骤(7)中，使用所述mm-ss2d模块来减轻原始图像中的噪声干扰，并有选择性地保留相关特征信息，从而保留足够的形态细节，所述mm-ss2d模块表示为：

8.根据权利要求1所述的基于状态空间的视觉曼巴高阶形态学图像分割方法，其特征在于：步骤(4)中，扫描扩展操作将原始输入特征图像从四个方向扩展成不同的序列，然后输入到s6模块，所述s6模块允许在四个方向上并行扫描不同序列，并有效存储中间结果，扫描合并操作对s6模块从四个方向提取的不同特征序列进行重新求和并反向合并，从而将输入的特征图像恢复到原始大小。

9.一种基于状态空间的视觉曼巴高阶形态学图像分割系统，其特征在于，包括：

10.一种权利要求9所述的基于状态空间的视觉曼巴高阶形态学图像分割系统的应用，其特征在于：用于医学影像分割以帮助临床医生准确定位病变的位置和范围。