一种基于掩码注意力机制的脑肿瘤MRI图像分割方法技术

本发明专利技术公开了一种基于掩码自注意力机制的脑肿瘤MRI图像分割方法，所述分割方法包括：S1：构建一个3D Masked Swin Transformer模块；S2：构建一个三维医学图像分割模型；S3：获取原始医学图像数据集，对原始医学图像数据集进行数据预处理，并将预处理后的医学图像数据集划分为训练集和测试集；S4：设置网络模型训练的超参数和在线数据增强方法，使用所述训练集训练三维医学图像分割模型；S5：使用训练完成的三维医学图像分割模型对原始脑部MRI医学图像中的肿瘤区域进行分割。本发明专利技术的优点在于：此方法能够有效地将Transformer应用至医学图像分割中，泛化能力强，抗干扰能力和分割准确率高。准确率高。准确率高。

【技术实现步骤摘要】
一种基于掩码注意力机制的脑肿瘤MRI图像分割方法
[0001]本专利技术涉及医学图像分割领域，具体是一种基于掩码注意力机制的脑肿瘤MRI图像分割方法。

技术介绍

[0002]医学图像分割是计算机辅助诊断、监视、干预和治疗的重要一环，其主要任务是对医学影像中感兴趣的对象(如器官或病灶)进行分割，可以为疾病的精准识别、详细分析、准确诊断等多方面提供重要参考。随着医学影像成像设备和技术的快速发展，全球每天都有大量的医学影像数据产生，但受限于医疗供需不平衡，即医学影像数量的急剧增长和影像分析人员短缺之间的矛盾，影像分析速度远远落后影像产生速度。因此，设计开发一种准确率高、速度快且泛化性好的医学图像自动分割算法是当前医学图像分析领域的当务之急。
[0003]早期传统的图像分割算法包括但不限于基于边缘检测的分割算法、基于阈值的分割算法和基于区域的分割算法。然而，医学图像具有对比度低、纹理复杂，边界区域模糊等特点，极大地限制了此类图像分割算法的效果和应用场景。随后，针对特定任务设计手工特征的分割算法在很长一段时间里成为了医学图像分割的研究主流，但因手工特征的设计极大依赖医生的专业先验知识，且往往泛化能力差。因此在实际应用中基于传统图像分割算法的医学图像分割系统仍然不够成熟，无法取得令人满意的分割效果。
[0004]2000年之后，随着计算机硬件发展，深度学习凭借其强大的建模能力逐渐成为医学图像分割领域的主流。目前为止，基于深度学习的图像分割方法可分为基于卷积神经网络和基于Transformer的语义分割方法。如名称为“一种基于残差连接改进U
‑
Net神经网络的医学图像分割方法”(申请号为CN2021107251053)的专利文献公开了一种基于残差连接改进的U
‑
Net卷积神经网络的医学图像分割方法。该方法利用残差网络改进U
‑
Net神经网络以增加下层特征的融合，并利用ResNeXt算法对图像进行深度特征提取，该方法可以基于少量样本对新的类别得到较为准确的预测结果，但是该方法基于二维切片图像进行分割，忽略了三维图像的空间信息。又如名称为“一种基于双型U
‑
Net模型的医学图像分割犯法”(申请号为CN2021107283406)的专利文献公开了一种基于双型U
‑
Net模型的医学图像分割方法。该方法使用两个U
‑
Net网络进行串联，并引入ASPP结构对特征层进行重采样以捕获更多的上下文信息。然而，以上两种基于卷积神经网络的方法都受限于卷积神经网络的局部感受野，无法建模全局或长距离的上下文交互信息和空间依赖信息，当分割背景内容复杂或图像特征不明显的医学图像时，其准确率仍然不高。
[0005]基于Transformer的语义分割方法虽然有效提取了全局或长距离上下文交互信息和空间依赖信息，但因其计算复杂度过高和模型参数量过大，需要更长的模型训练时间以及更高的硬件配置。

技术实现思路

[0006]为解决基于卷积神经网络的方法在三维医学图像分割问题上存在的感受野不够大、无法建模全局或长距离的上下文交互信息和三维空间依赖信息，以及受图像背景噪声
干扰的问题，本专利技术公开了一种基于掩码注意力机制的脑肿瘤MRI图像分割方法。
[0007]本专利技术公开了一种基于掩码注意力机制的脑肿瘤MRI图像分割方法，其特征在于，该方法包括以下步骤：
[0008]S1：基于标准的Swin Transformer模块构建一个3D Masked Swin Transformer模块；所述3D Masked Swin Transformer模块由第一3D Masked Swin Transformer Block和第二3D Masked Swin Transformer Block组成；所述第一3D Masked Swin Transformer Block由第一Layer Normalization层、3D Window based Multi
‑
head Masked Self Attention层、第二Layer Normalization层和第一Multi
‑
Layer Perceptron层依次连接组成，其中在第一Layer Normalization层的输入端和3D Window based Multi
‑
head Masked Self Attention层的输出端之间添加残差连接，在第二Layer Normalization层的输入端和Multi
‑
Layer Perceptron层的输出端之间添加残差连接；所述第二3D Masked Swin Transformer Block由第三Layer Normalization层、3D Shifted Window based Multi
‑
head Masked Self Attention层、第四Layer Normalization层和第二Multi
‑
Layer Perceptron层依次连接组成，其中在第三Layer Normalization层的输入端和3D Shifted Window based Multi
‑
head Masked Self Attention层的输出端之间添加残差连接，在第四Layer Normalization层的输入端和Multi
‑
Layer Perceptron层的输出端之间添加残差连接；
[0009]S2：构建一个三维医学图像分割模型A；所述三维医学图像分割模型A由基于3D Masked Swin Transformer模块的编码器模块和解码器模块组成；所述三维医学图像分割模型A的输入为经过数据预处理的脑部MRI医学图像，输出为肿瘤区域分割结果；所述基于3D Masked Swin Transformer模块的编码器模块由3D Patch Partition模块、第一3D Masked Swin Transformer模块、第一下采样模块、第二3D Masked Swin Transformer模块、第二下采样模块、第三3D Masked Swin Transformer模块、第三下采样模块和第四3D Masked Swin Transformer模块依次连接组成；所述解码器模块由第一上采样模块、第一跳跃连接模块、第一解码模块、第二上采样模块、第二跳跃连接模块、第二解码模块、第三上采样模块、第三跳跃连接模块、第三解码模块和分割头依次连接组成；所述第一跳跃连接模块、第二跳跃连接模块和第三跳跃连接模块均由Cross Attention块和特征融合块依次连接组成，所述第一跳跃连接模块、第二跳跃连接模块和第三跳跃连接模块均具有两路输入路径和一路输出路径；
[0010]其中，所述第一3D Masked Swin Transformer模块的输出路径分为两路，第一路的输出输入到第一下采样模块中，第二路的输出输入到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于掩码注意力机制的脑肿瘤MRI图像分割方法，其特征在于，该方法包括以下步骤：S1：基于标准的Swin Transformer模块构建一个3D Masked Swin Transformer模块；所述3D Masked Swin Transformer模块由第一3D Masked Swin Transformer Block和第二3D Masked Swin Transformer Block组成；所述第一3D Masked Swin Transformer Block由第一Layer Normalization层、3D Window based Multi
‑
head Masked Self Attention层、第二Layer Normalization层和第一Multi
‑
Layer Perceptron层依次连接组成，其中在第一Layer Normalization层的输入端和3D Window based Multi
‑
head Masked Self Attention层的输出端之间添加残差连接，在第二Layer Normalization层的输入端和Multi
‑
Layer Perceptron层的输出端之间添加残差连接；所述第二3D Masked Swin Transformer Block由第三Layer Normalization层、3D Shifted Window based Multi
‑
head Masked Self Attention层、第四Layer Normalization层和第二Multi
‑
Layer Perceptron层依次连接组成，其中在第三Layer Normalization层的输入端和3D Shifted Window based Multi
‑
head Masked Self Attention层的输出端之间添加残差连接，在第四Layer Normalization层的输入端和Multi
‑
Layer Perceptron层的输出端之间添加残差连接；S2：构建一个三维医学图像分割模型A；所述三维医学图像分割模型A由基于3DMasked Swin Transformer模块的编码器模块和解码器模块组成；所述三维医学图像分割模型A的输入为经过数据预处理的脑部MRI医学图像，输出为肿瘤区域分割结果；所述基于3D Masked Swin Transformer模块的编码器模块由3D Patch Partition模块、第一3D Masked Swin Transformer模块、第一下采样模块、第二3D Masked Swin Transformer模块、第二下采样模块、第三3D Masked Swin Transformer模块、第三下采样模块和第四3D Masked Swin Transformer模块依次连接组成；所述解码器模块由第一上采样模块、第一跳跃连接模块、第一解码模块、第二上采样模块、第二跳跃连接模块、第二解码模块、第三上采样模块、第三跳跃连接模块、第三解码模块和分割头依次连接组成；所述第一跳跃连接模块、第二跳跃连接模块和第三跳跃连接模块均由Cross Attention块和特征融合块依次连接组成，所述第一跳跃连接模块、第二跳跃连接模块和第三跳跃连接模块均具有两路输入路径和一路输出路径；其中，所述第一3D Masked Swin Transformer模块的输出路径分为两路，第一路的输出输入到第一下采样模块中，第二路的输出输入到第三跳跃连接模块的第二输入路径中；所述第二3D Masked Swin Transformer模块的输出路径分为两路，第一路的输出输入到第二下采样模块中，第二路的输出输入到第二跳跃连接模块的第二输入路径中；所述第三3D Masked Swin Transformer模块的输出路径分为两路，第一路的输出输入到第三下采样模块中，第二路的输出输入到第一跳跃连接模块的第二输入路径中；所述第四3D Masked Swin Transformer模块的输出路径为一路，该路径的输出输入到所述解码器模块的第一上采样模块中；所述第一上采样模块的输出输入到第一跳跃连接模块的第一输入路径中，所述第一跳跃连接模块的输出输入到第一解码模块中；所述第二上采样模块的输出输入到第二跳跃连接的第一输入路径中，所述第二跳跃连接模块的输出输入到第二解码模块中；所
述第三上采样模块的输出输入到第三跳跃连接的第一输入路径中，所述第三跳跃连接模块的输出输入到第三解码模块中；所述第三解码模块的输出输入到分割头中，分割头最后输出得到所需分割结果；S3：获取原始医学图像数据集，对原始医学图像数据集进行数据预处理，并将预处理后的医学图像数据集划分为训练集和测试集；获取原始医学图像数据集，所述原始医学图像数据集中每张原始脑部MRI医学图像均包括t1，t2，t1ce，flair四个模态的三维图像，以及含有肿瘤标注标签信息的真实标签三维图像；对所述原始医学图像数据集中的每一张原始脑部MRI医学图像进行数据预处理，得到经过数据预处理后的脑部MRI医学图像，所有经过数据预处理后的脑部MRI医学图像组合在一起形成经过数据预处理后的医学图像数据集；最后，将所述经过数据预处理后的医学图像数据集划分为训练集和测试集，划分比例分别为α，1
‑
α，其中α为设定的参数；S4：设置网络模型训练的优化器、迭代次数e、初始学习率l、损失函数以及在线数据增强方法，使用所述训练集训练所述步骤S2构建的三维医学图像分割模型A，得到训练完成的三维医学图像分割模型B，并用所述测试集对三维医学图像分割模型B训练效果进行评估测试；S5：使用所述三维医学图像分割模型B对原始脑部MRI医学图像中的肿瘤区域进行分割；对原始脑部MRI医学图像进行数据预处理，得到经过数据预处理后的脑部MRI医学图像，将经过数据预处理后的脑部MRI医学图像传入所述步骤S4的训练完成的三维医学图像分割模型B进行预测，得到分割结果。2.根据权利要求1所述的一种基于掩码注意力机制的脑肿瘤MRI图像分割方法，其特征在于：步骤S1中，给定3D Window based Multi
‑
head Masked Self Attention层的输入特征X，3D Window based Multi
‑
head Masked Self Attention层的输入特征X通过3D Window based Multi
‑
head Masked Self Attention层运算，得到3D Window based Multi
‑
head Masked Self Attention层的输出特征Y；其中，所述3D Window based Multi
‑
head Masked Self Attention层运算过程如下：首先将3D Window based Multi
‑
head Masked Self Attention层的输入特征X均匀划分为N个窗口大小为w
×
w
×
w的特征块集合其中，特征块的空间位置坐标记为(a
i
,b
i
,c
i
)；然后对特征块集合中的每个特征块进行Multi
‑
head Masked Self Attention操作，得到变换特征块集合i＝1,...,N；最后将变换特征块集合中所有变换特征块进行拼接，将变换特征块放在空间位置(a
i
,b
i
,c
i
)处，得到3D Window based Multi
‑
head Masked Self Attention层的输出特征Y；其中，所述Multi
...

【专利技术属性】
技术研发人员：梁俊杰，杨词慧，叶小丽，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：