急性缺血性脑卒中三维医学影像分割方法及成像方法技术

本发明专利技术公开了一种急性缺血性脑卒中三维医学影像分割方法，包括获取急性缺血性脑卒中三维医学影像并预处理得到数据集；构建急性缺血性脑卒中三维医学影像分割模型并训练；将实际的目标三维医学影像输入模型中完成急性缺血性脑卒中三维医学影像分割。本发明专利技术还公开了一种包括所述急性缺血性脑卒中三维医学影像分割方法的成像方法。本发明专利技术提供的这种急性缺血性脑卒中三维医学影像分割方法及成像方法，通过结合卷积与Transformer作为编码器，能够实现全局特征与局部特征的有效建模，从而实现准确的急性缺血性脑卒中的三维医学影像分割和成像，而且本发明专利技术的可靠性高、精确性好且实用性好。用性好。用性好。

【技术实现步骤摘要】
急性缺血性脑卒中三维医学影像分割方法及成像方法


[0001]本专利技术属于数字图像处理领域，具体涉及一种急性缺血性脑卒中三维医学影像分割方法及成像方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，医学也已经逐步进入智能化时代。而现代医学的快速发展，使得医学影像技术在临床医学和基础医学领域的作用越来越大。
[0003]急性缺血性脑卒中是现今较为严重的一类疾病。因此，针对该类疾病的研究，具有极大的意义。三维医学影像能够为急性缺血性脑卒中的研究提供极为丰富的研究信息。因此，针对急性缺血性脑卒中的三维医学影像分割就显得尤为重要。
[0004]现有的三维医学图像分割方法通常依赖于边缘检测、模板匹配技术、统计形状模型、活动轮廓、机器学习等。而随着卷积神经网络的出现，卷积神经网络在三维医学图像中迅速占据了主导地位，这种具有跳跃连接的编码器
‑
解码器网络能够保留更多的细节，在广泛的医疗应用中取得了巨大的成功。而随着Transformer架构的出现，其所具有的强大的全局建模能力，迅速使得Transformer架构得到了广泛使用。
[0005]因此，已有研究人员将Transformer架构和卷积神经网络进行了结合，从而实现了相对理想的三维医学图像分割结果。但是，现有的该类方案，并没有有效的发挥出他们各自的优势；这使得现有的这类方案的分割效果并不理想，其分割精度较差，而且可靠性也不高。

技术实现思路

[0006]本专利技术的目的之一在于提供一种可靠性高、精确性好且实用性好的急性缺血性脑卒中三维医学影像分割方法。
[0007]本专利技术的目的之二在于提供一种包括了所述急性缺血性脑卒中三维医学影像分割方法的成像方法。
[0008]本专利技术提供的这种急性缺血性脑卒中三维医学影像分割方法，包括如下步骤：S1. 获取现有的急性缺血性脑卒中三维医学影像；S2. 对步骤S1获取的影像数据进行预处理，从而得到数据集；S3. 基于卷积神经网络、轻量化Transformer架构、多头自注意力模块和多层感知机模块构建编码器，基于卷积神经网络和softmax模块构建解码器，从而构建包括了编码器和解码器的急性缺血性脑卒中三维医学影像分割初步模型；S4. 采用步骤S2得到的数据集，对步骤S3构建的初步模型进行训练，得到最终的急性缺血性脑卒中三维医学影像分割模型；S5. 获取实际的目标三维医学影像，并输入到步骤S4得到的急性缺血性脑卒中三维医学影像分割模型，从而完成急性缺血性脑卒中三维医学影像分割。
[0009]所述的步骤S2，具体包括如下步骤：
所述的预处理包括：图像裁剪、图像重采样和图像归一化；所述图像裁剪具体为：设定像素阈值，并根据设定的像素阈值裁剪得到所需要目标的boundingbox（边界框）；对裁剪后的图像进行重采样，用于保证所有图像具有相同的体素分辨率；重采样完成后，采用Z
‑
score（Z
‑
分数）对图像进行归一化操作。
[0010]所述的步骤S3，具体包括如下步骤：所述的急性缺血性脑卒中三维医学影像分割初步模型包括编码器和解码器；所述的编码器包括依次串接的一个卷积模块和四个混合模块；基于卷积神经网络构建卷积模块；基于卷积神经网络、轻量化Transformer架构、多头自注意力模块和多层感知机模块构建混合模块；所述的解码器包括串接的解码模块和softmax模块；基于卷积神经网络构建解码模块；softmax模块用于根据解码模块的输出，计算不同类别特征的概率。
[0011]所述的卷积模块，具体包括如下内容：卷积模块由三个三维卷积组成，每一个卷积的卷积核大小均为3，而且三个卷积的步长依次为1、2和2。
[0012]所述的混合模块，具体包括如下内容：所述的混合模块包括一个卷积子模块、一个轻量化Transformer子模块和一个融合子模块；卷积子模块和轻量化Transformer子模块并联，卷积子模块的输出和轻量化Transformer子模块的输出同时输入到融合子模块；卷积子模块用于对图像的局部特征进行建模，轻量化Transformer子模块用于对图像的全局特征进行建模，融合子模块用于实现局部特征与全局特征的交互，从而获得更有效的图像特征。
[0013]所述的卷积子模块包括两个串接的卷积
‑
IN
‑
LeakyReLU（卷积
‑
归一化
‑
激活函数）子模块；每一个卷积
‑
IN
‑
LeakyReLU子模块，均进行如下处理：对卷积子模块的输入特征，先采用第一卷积进行处理，然后再采用第二卷积进行下采样操作，第一卷积为三维卷积，卷积核为3，步长为1；第二卷积为三维卷积，卷积核为3，步长为2；接下来，通过InstanceNorm（实例归一化）进行归一化处理，处理过程表示为，其中X为输入特征，Y为输出特征，为均值，为方差，为误差系数，为待学习的第一参数，为待学习的第二参数；最后，采用LeakyReLU进行处理，处理过程表示为，其中为卷积
‑
IN
‑
LeakyReLU子模块的输出，为输入的特征图中的第i1个值，为设定的常数且取值范围为。
[0014]所述的所述的轻量化Transformer子模块包括一个自注意力层和一个多层感知机层；采用如下算式表示自注意力层的处理过程：式中为自注意力层的处理结果，为线性投影函数，用于对所有注意力头的特征进行加权聚合；为级联操作；为H个注意力头的特征；第ii个注意力头的特征表示为，其中为Softmax函数计算，Q为查询矩阵且，为查询投影矩阵，为特征图第ii个值，K为键矩阵且，为键
投影矩阵，V为值矩阵且，为值投影矩阵，为特征图的通道数，为通道注意力处理过程且表示，为全局平均池化且计算过程表示为，D为特征图的深度，H为特征图的高度，W为特征图的宽度，为特征图第i3，j3，k3维度的值，为逐点卷积操作，为非线性激活函数，为归一化函数；采用如下算式表示多层感知机层的处理过程：式中为多层感知机层的输出特征；为第一线性函数，且，为线性投影矩阵，b为偏置；为第二线性函数，且；为高斯误差线性单元处理函数，且，为误差函数且；最终，采用如下算式表示轻量化Transformer子模块的处理过程：最终，采用如下算式表示轻量化Transformer子模块的处理过程：最终，采用如下算式表示轻量化Transformer子模块的处理过程：式中为自注意力层的输出结果；为层归一化处理函数；为自注意力层的输入；为多层感知机层的输出结果；为平均池化操作，其核大小为3，步长为2；为逐点卷积操作，用于特征聚合。
[0015]所述的融合子模块，具体包括如下内容：采用如下算式表示融合子模块的处理过程：采用如下算式表示融合子模块的处理过程：采用如下算式表示融合子模块的处理过程：采用如下算式表示融合子模块的处理过程：式中为卷积子模块的输出特征；为轻量化Transformer子模块的输出特征；为级联操作；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种急性缺血性脑卒中三维医学影像分割方法，其特征在于包括如下步骤：S1. 获取现有的急性缺血性脑卒中三维医学影像；S2. 对步骤S1获取的影像数据进行预处理，从而得到数据集；S3. 基于卷积神经网络、轻量化Transformer架构、多头自注意力模块和多层感知机模块构建编码器，基于卷积神经网络和softmax模块构建解码器，从而构建包括了编码器和解码器的急性缺血性脑卒中三维医学影像分割初步模型；S4. 采用步骤S2得到的数据集，对步骤S3构建的初步模型进行训练，得到最终的急性缺血性脑卒中三维医学影像分割模型；S5. 获取实际的目标三维医学影像，并输入到步骤S4得到的急性缺血性脑卒中三维医学影像分割模型，从而完成急性缺血性脑卒中三维医学影像分割。2.根据权利要求1所述的急性缺血性脑卒中三维医学影像分割方法，其特征在于所述的步骤S2，具体包括如下步骤：所述的预处理包括：图像裁剪、图像重采样和图像归一化；所述图像裁剪具体为：设定像素阈值，并根据设定的像素阈值裁剪得到所需要目标的边界框；对裁剪后的图像进行重采样，用于保证所有图像具有相同的体素分辨率；重采样完成后，采用Z
‑
分数对图像进行归一化操作。3.根据权利要求2所述的急性缺血性脑卒中三维医学影像分割方法，其特征在于所述的步骤S3，具体包括如下步骤：所述的急性缺血性脑卒中三维医学影像分割初步模型包括编码器和解码器；所述的编码器包括依次串接的一个卷积模块和四个混合模块；基于卷积神经网络构建卷积模块；基于卷积神经网络、轻量化Transformer架构、多头自注意力模块和多层感知机模块构建混合模块；所述的解码器包括串接的解码模块和softmax模块；基于卷积神经网络构建解码模块；softmax模块用于根据解码模块的输出，计算不同类别特征的概率。4.根据权利要求3所述的急性缺血性脑卒中三维医学影像分割方法，其特征在于所述的卷积模块，具体包括如下内容：卷积模块由三个三维卷积组成，每一个卷积的卷积核大小均为3，而且三个卷积的步长依次为1、2和2；所述的混合模块，具体包括如下内容：所述的混合模块包括一个卷积子模块、一个轻量化Transformer子模块和一个融合子模块；卷积子模块和轻量化Transformer子模块并联，卷积子模块的输出和轻量化Transformer子模块的输出同时输入到融合子模块；卷积子模块用于对图像的局部特征进行建模，轻量化Transformer子模块用于对图像的全局特征进行建模，融合子模块用于实现局部特征与全局特征的交互，从而获得更有效的图像特征。5.根据权利要求4所述的急性缺血性脑卒中三维医学影像分割方法，其特征在于所述的卷积子模块包括两个串接的卷积
‑
IN
‑
LeakyReLU子模块；每一个卷积
‑
IN
‑
LeakyReLU子模块，均进行如下处理：对卷积子模块的输入特征，先采用第一卷积进行处理，然后再采用第二卷积进行下采样操作，第一卷积为三维卷积，卷积核为3，步长为1；第二卷积为三维卷积，
卷积核为3，步长为2；接下来，通过InstanceNorm进行处理，处理过程表示为，其中X为输入特征，Y为输出特征，为均值，为方差，为误差系数，为待学习的第一参数，为待学习的第二参数；最后，采用LeakyReLU进行处理，处理过程表示为，其中为卷积
‑
IN
‑
LeakyReLU子模块的输出，为输入的特征图中的第i1个值，为设定的常数且取值范围为。6.根据权利要求5所述的急性缺血性脑卒中三维医学影像分割方法，其特征在于所述的轻量化Transformer子模块包括一个自注意力层和一个多层感知机层；采用如下算式表示自注意力层的处理过程：式中为自注意力层的处理结果，为线性投影函数，用于对所有注意力头的特征进行加权聚合；为级联操作；为H个注意力头的特征；第ii个注意力头的特征表示为，其中为Softmax函数计算，Q为查询矩阵且，为查询投影矩阵，为特征图第ii个值，K为键矩阵且，为键投影矩阵，V为...

【专利技术属性】
技术研发人员：匡湖林，王亚辉，刘锦，王建新，
申请(专利权)人：中南大学，
类型：发明
国别省市：