本发明涉及卷积神经网络，神经科学，计算机等，具体涉及基于通道和空间注意力机制医学图像语义分割方法及系统。
背景技术：
1、医学图像语义分割算法的准确率研究对于临床诊断和治疗决策、疾病早期检测和预测、科学研究和知识发现，以及自动化和智能化医疗应用等方面具有重要意义。医学图像语义分割算法的准确率直接关系到临床医生对患者的诊断和治疗决策。准确的分割结果可以提供更全面、详细和可靠的信息，帮助医生更好地理解病理变化和病情发展，从而制定更精准和个体化的治疗方案。高准确率的算法可以减少人为误差，并提高医生对医学图像的解读和理解能力。
2、医学图像语义分割算法的准确率对于疾病早期的检测和预测也具有重要意义。通过准确地分割出病变区域，可以帮助医生发现微小的病灶或异常信号，从而实现对疾病的早期诊断和干预。此外，准确的分割结果还能为疾病的进展和预后提供有价值的信息，有助于制定个性化的治疗计划和预测患者的疾病发展趋势。
3、同时，通过准确地分割医学图像中的组织结构、器官区域或病变区域，可以帮助研究人员深入了解疾病的病理特征、生理过程和治疗效果。准确的分割结果可以用于构建定量解剖和病理特征模型，从而促进医学研究的深入和进展。医学图像语义分割算法的准确性是实现自动化和智能化医疗应用的基础。
4、综上所述，医学图像语义分割算法的准确率研究具有重要的意义，通过不断提高算法准确率，可以提升医疗图像处理的可靠性和效率，为医疗实践和患者健康提供更好的支持。
5、虽然现有的医学图像语义分割技术在一定程度上取得了成功，但仍存在一些缺点：医学图像中肿瘤、组织、器官可能受到背景干扰识别存在困难，这些医学图像的有些通道可能携带了更多与任务相关的信息，而其他通道可能包含了无用噪声或冗余信息。其次，模型泛化能力有限，由于医学图像的多样性和复杂性，现有模型在应对新数据集或不同疾病类型时泛化能力有限。处理细节和边界困难，现有技术对于处理细微结构和边界区域仍存在挑战，容易出现分割不准确、模糊或断裂的问题。
技术实现思路
1、本发明针对上述问题，提供了基于通道和空间注意力机制医学图像语义分割方法，所述方法包括：
2、s1、收集历史医学图像数据集，对所述数据集进行预处理；
3、s2、基于u-net模型构建csab-unet模型，并使用预处理后的数据集对所述csab-unet模型进行训练，所述csab-unet模型为：使用u-net网络的卷积层和u-net网络的池化层对预处理后的数据进行特征提取和下采样操作，得到尺寸与通道数修改后的特征图；对所述特征图使用u-net网络的反卷积层、进行上采样，恢复所述特征图的尺寸和通道数，将与上采样特征图尺寸对应的下采样特征图使用桥式通道注意力模块和桥式空间注意力模块保留所需语义信息；
4、s3、采用混合损失函数对训练后的csab-unet模型进行优化，使用优化好的csab-unet模型对实时的医学图像进行语义分割，得到分割结果。
5、可选的，所述s1中，所述预处理方法具体包括：
6、对收集的历史医学图像数据集进行数据清洗和标注，数据清洗和标注的过程具体包括：
7、将收集到的历史医学图像数据集进行图像格式转换、尺寸调整和颜色校正，使得所述历史医学图像数据集的格式、分辨率、大小一致；
8、基于调整后的历史医学图像数据集，剔除有噪声、不完整的图像，得到基础元数据信息；
9、使用标注工具对所述基础元数据信息进行数据标注；
10、对标注后的数据进行数据增强，得到数据增强信息，将所述数据增强信息进行存储后，得到预处理数据。
11、可选的，所述s2中，所述桥式通道注意模块包括特征映射的压缩模块、特征映射的转换模块和特征映射的重标定模块；所述桥式空间注意力模块包括压缩拼接模块、克难攻坚注意力权重激活提取模块和空间像素加权模块。
12、可选的，所述s3中，混合损失函数为：
13、
14、
15、bce_dice_loss＝loss_bce+loss_dice
16、其中，a为预测分割结果，b为真实的分割结果，p为某个样本预测类别为1的概率，y为真实的标签分类值。
17、本发明还公开基于通道和空间注意力机制医学图像语义分割系统，系统包括数据收集模块、模型构建模块和语义分割模块；
18、所述数据收集模块用于收集历史医学图像数据集，对所述数据集进行预处理；
19、所述模型构建模块用于基于u-net模型构建csab-unet模型，并使用预处理后的数据集对所述csab-unet模型进行训练；
20、所述语义分割模块用于采用混合损失函数对训练后的csab-unet模型进行优化，使用优化好的csab-unet模型对实时的医学图像进行语义分割，得到分割结果。
21、可选的，所述数据收集模块的预处理过程包括：
22、对收集的历史医学图像数据集进行数据清洗和标注，数据清洗和标注的过程具体包括：
23、将收集到的历史医学图像数据集进行图像格式转换、尺寸调整和颜色校正，使得所述历史医学图像数据集的格式、分辨率、大小一致；
24、基于调整后的历史医学图像数据集，剔除有噪声、不完整的图像，得到基础元数据信息；
25、使用标注工具对所述基础元数据信息进行数据标注；
26、对标注后的数据进行数据增强，得到数据增强信息，将所述数据增强信息进行存储后，得到预处理数据。
27、可选的，所述模型构建模块的桥式通道注意模块包括特征映射的压缩模块、特征映射的转换模块和特征映射的重标定模块；所述桥式空间注意力模块包括压缩拼接模块、克难攻坚注意力权重激活提取模块和空间像素加权模块。
28、可选的，所述语义分割模块的混合损失函数为：
29、
30、
31、bce_dice_loss＝loss_bce+lloss_dice
32、其中，a为预测分割结果，b为真实的分割结果，p为某个样本预测类别为1的概率，y为真实的标签分类值。
33、与现有技术相比，本发明的有益效果为：
34、本网络模型以u-net为基本框架，将原来的跳跃连接都替换为桥式通道注意力模块和桥式空间注意力模块，使网络可自适应获取丰富的感受野信息，通过融合新特征，并获取分割任务所关注的通道和空间信息，便于对新特征进行重要性筛选。另外，实验中还使用多种数据增强方式提升训练数据量，使网络鲁棒性更好；在训练时采用混合损失函数bce_dice loss，增强模型分析和优化能力。
1.一种基于通道和空间注意力机制医学图像语义分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于通道和空间注意力机制医学图像语义分割方法，其特征在于，所述s1中，所述预处理方法具体包括：
3.根据权利要求1所述的基于通道和空间注意力机制医学图像语义分割方法，其特征在于，所述s2中，所述桥式通道注意模块包括特征映射的压缩模块、特征映射的转换模块和特征映射的重标定模块；所述桥式空间注意力模块包括压缩拼接模块、克难攻坚注意力权重激活提取模块和空间像素加权模块。
4.根据权利要求1所述的基于通道和空间注意力机制医学图像语义分割方法，其特征在于，所述s3中，混合损失函数为：
5.一种基于通道和空间注意力机制医学图像语义分割系统，所述系统用于实现权利要求1-4任一项所述的医学图像语义分割割方法，其特征在于，系统包括：数据收集模块、模型构建模块和语义分割模块；
6.根据权利要求5所述的基于通道和空间注意力机制医学图像语义分割系统，其特征在于，所述数据收集模块的预处理过程包括：
7.根据权利要求5所述的基于通道和空间注意力机制医学图像语义分割系统，其特征在于，所述模型构建模块的桥式通道注意模块包括特征映射的压缩模块、特征映射的转换模块和特征映射的重标定模块；所述桥式空间注意力模块包括压缩拼接模块、克难攻坚注意力权重激活提取模块和空间像素加权模块。
8.根据权利要求5所述的基于通道和空间注意力机制医学图像语义分割系统，其特征在于，所述语义分割模块的混合损失函数为：
