System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度神经网络,更确切地说,它涉及脑肿瘤图像区域分割方法、装置、神经网络及电子设备。
技术介绍
1、脑肿瘤是指在脑内或脑膜下形成的肿瘤,目前,人类被100多种类型的脑肿瘤影响。其中脑胶质瘤是最常见的恶性脑肿瘤,起源于神经胶质细胞,通常会对周围的脑组织造成一定的侵犯和压迫。所以脑肿瘤的诊断和手术预测已经变得越来越重要了。随着人工智能的快速发展,基于人工智能的肿瘤预测和诊断技术越来越完善。使用体素分析等技术可以实现对脑肿瘤的准确且精细的分割,这些技术有助于术前计划。除此之外,寿命也可以由所分割的肿瘤进行预测。从脑肿瘤图像中精细的分割出肿瘤是目前研究的前沿。
2、磁共振成像(mri)技术在脑肿瘤的诊断、治疗规划和监测中发挥着重要作用。mri可以提供高分辨率的图像,帮助医生检测和区分脑肿瘤类型、定位肿瘤位置、评估肿瘤的大小、形态、浸润性和血供情况,以及判断肿瘤是否对周围结构产生了影响。mri扫描可以生成不同的图像序列,包括t1加权(t1)、t1增强对比度(t1-ce)、t2加权(t2)和t2流体衰减反转恢复(flair)。这些图像序列可以提供不同的解剖学和生理学信息。t1加权图像可以显示肿瘤的解剖位置和大小,t2加权图像可以显示肿瘤的浸润性和囊变等特征,flair图像可以显示周围水肿和脑组织破坏,而对比增强序列可以显示肿瘤与周围正常脑组织的界限和血管丰富程度。
3、随着基于深度学习方法的图像分割技术发展,自动医学图像分割技术可以实现对脑肿瘤图像精确分割。近年来,基于深度学习的脑肿瘤分割技术在各种基准中
技术实现思路
1、本专利技术的目的是针对现有技术的不足,提出了脑肿瘤图像区域分割方法、装置、神经网络及电子设备。
2、第一方面,提供了脑肿瘤图像区域分割方法,包括:
3、s1、获取脑部mri图像,形成数据集,并对所述数据集进行预处理;
4、s2、构建改进残差注意力块,替换其中的多层感知器;
5、s3、构建改进网络模型,通过引入所述改进残差注意力块,调节改进残差注意力块的数量和替换方法;
6、s4、将训练后的网络模型输入测试集进行测试,检验网络效果。
7、作为优选,s1中,所述脑部mri图像有多个模态,采用z-score方法分别标准化每个模态的图像,表示为:
8、x*=(x-μ)/σ
9、其中,μ为所有样本数据的均值,σ为所有样本数据的标准差。
10、作为优选,s1中,所述预处理包括:镜像翻转、旋转、缩放、平移、弹性变形和图像裁剪。
11、作为优选,s2包括:
12、s201、替换原注意力块中的多层感知器层,在多层感知器的基础上加上残差连接;
13、s202、再加入gule激活函数、随机失活层和线性层。
14、作为优选,s3中,改进网络模型包括编码器部分和解码器部分;编码器部分前三层的编码块由3d卷积层、批归一化层和leakyrelu层组成;解码器部分包括解码块,用于对特征图进行解码,得到脑肿瘤的区域。
15、作为优选,s3中,编码器部分后三层使用双分支的改进残差注意力块,改进残差注意力块的数量为(2,4,2);其中,单数残差注意力块由线性归一化层、w-msa、批归一化层和残差多层感知机器层组成;双数残差注意力块由线性归一化层、sw-msa、批归一化层和残差多层感知机器层组成。
16、作为优选,s4中,将预处理的图片输入到网络中,更新网络参数权重,得到最优的网络分割结果;将分割结果进行sigmoid函数运算,将分割结果变为0和1,进行拼接,再根据三通道定义还原成单通道,即得到分割结果图。
17、第二方面,提供了脑肿瘤图像区域分割装置,用于执行第一方面任一所述的脑肿瘤图像区域分割方法,包括:
18、获取模块,用于获取脑部mri图像,形成数据集,并对所述数据集进行预处理;
19、第一构建模块,用于构建改进残差注意力块,替换其中的多层感知器;
20、第二构建模块,用于构建改进网络模型,引入所述改进残差注意力块,调节改进残差注意力块的数量和替换方法;
21、测试模块,用于将训练后的网络模型输入测试集进行测试,检验网络效果。
22、第三方面,提供了一种计算机存储介质,所述计算机存储介质内存储有计算机程序;所述计算机程序在计算机上运行时,使得计算机执行第一方面任一所述的脑肿瘤图像区域分割方法。
23、第四方面,提供了一种电子设备,所述电子设备包括:处理器和存储器,所述存储器中存储有程序;所述处理器用于调用所述存储器中存储的程序,以使得所述电子设备执行如第一方面任一项所述的脑肿瘤图像区域分割方法。
24、本专利技术的有益效果是:
25、1.本专利技术基于卷积神经网络,提出了一种基于unet改进的残差注意力机制的脑肿瘤分割方法即双分支的模型结构,弥补了unet无法利用图像的全局信息的问题,可以有效的提高模型分割质量。
26、2.本专利技术改善了注意力块,替换了其中的多层感知器层,在多层感知器层中引入残差连接,可以有效解决网络的加深会带来梯度消失的问题。
本文档来自技高网...【技术保护点】
1.脑肿瘤图像区域分割方法,其特征在于,包括:
2.根据权利要求1所述的脑肿瘤图像区域分割方法,其特征在于,S1中,所述脑部MRI图像有多个模态,采用Z-score方法分别标准化每个模态的图像,表示为:
3.根据权利要求2所述的脑肿瘤图像区域分割方法,其特征在于,S1中,所述预处理包括:镜像翻转、旋转、缩放、平移、弹性变形和图像裁剪。
4.根据权利要求3所述的脑肿瘤图像区域分割方法,其特征在于,S2包括:
5.根据权利要求4所述的脑肿瘤图像区域分割方法,其特征在于,S3中,改进网络模型包括编码器部分和解码器部分;编码器部分前三层的编码块由3D卷积层、批归一化层和LeakyReLu层组成;解码器部分包括解码块,用于对特征图进行解码,得到脑肿瘤的区域。
6.根据权利要求5所述的脑肿瘤图像区域分割方法,其特征在于,S3中,编码器部分后三层使用双分支的改进残差注意力块,改进残差注意力块的数量为(2,4,2);其中,单数残差注意力块由线性归一化层、W-MSA、批归一化层和残差多层感知机器层组成;双数残差注意力块由线性归一化层、SW
7.根据权利要求6所述的脑肿瘤图像区域分割方法,其特征在于,S4中,将预处理的图片输入到网络中,更新网络参数权重,得到最优的网络分割结果;将分割结果进行sigmoid函数运算,将分割结果变为0和1,进行拼接,再根据三通道定义还原成单通道,即得到分割结果图。
8.脑肿瘤图像区域分割装置,其特征在于,用于执行权利要求1至7任一所述的脑肿瘤图像区域分割方法,包括:
9.一种计算机存储介质,其特征在于,所述计算机存储介质内存储有计算机程序;所述计算机程序在计算机上运行时,使得计算机执行权利要求1至7任一所述的脑肿瘤图像区域分割方法。
10.一种电子设备,其特征在于,所述电子设备包括:处理器和存储器,所述存储器中存储有程序;所述处理器用于调用所述存储器中存储的程序,以使得所述电子设备执行如权利要求1至7任一项所述的脑肿瘤图像区域分割方法。
...【技术特征摘要】
1.脑肿瘤图像区域分割方法,其特征在于,包括:
2.根据权利要求1所述的脑肿瘤图像区域分割方法,其特征在于,s1中,所述脑部mri图像有多个模态,采用z-score方法分别标准化每个模态的图像,表示为:
3.根据权利要求2所述的脑肿瘤图像区域分割方法,其特征在于,s1中,所述预处理包括:镜像翻转、旋转、缩放、平移、弹性变形和图像裁剪。
4.根据权利要求3所述的脑肿瘤图像区域分割方法,其特征在于,s2包括:
5.根据权利要求4所述的脑肿瘤图像区域分割方法,其特征在于,s3中,改进网络模型包括编码器部分和解码器部分;编码器部分前三层的编码块由3d卷积层、批归一化层和leakyrelu层组成;解码器部分包括解码块,用于对特征图进行解码,得到脑肿瘤的区域。
6.根据权利要求5所述的脑肿瘤图像区域分割方法,其特征在于,s3中,编码器部分后三层使用双分支的改进残差注意力块,改进残差注意力块的数量为(2,4,2);其中,单数残差注意力块由线性归一化层、w-...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。