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】
本专利技术提供了一种基于cnn和注意力机制的颅内血肿分割方法,属于医学图像分割领域。
技术介绍
1、颅内血肿是严重的神经系统疾病,这种病具有较高的初始死亡率。因此,早期的快速诊断十分重要。近年来,深度学习在医学图像分割领域的进展十分明显。大量实验证明,基于深度学习的图像分割方法的准确性可以达到专业医生水平。与人工分割的方法相比,采用深度学习方法可以节约大量时间。只需要提供给网络一些分割标准和数据集进行训练,网络就能自动调整参数,最终识别并分割出病灶区域。本技术针对颅内血肿ct图像,在深度学习的基础上,利用卷积网络和注意力机制相结合的模型对其进行血肿分割。
2、中国专利公开号为“cn 115240049 a”,名称为“基于注意力机制的深度学习模型”中提出的一种u-net网络与注意力机制结合的深度学习方法,该方法第一阶段通过编码器进行四次下采样最大池化操作,每个层均为残差网络。在编码器的最后一层,通过自注意力网络,从全局角度提取血肿特征;第二阶段通过空间注意力模块和通道注意力模块学习各个通道和特征区域上的权重;第三阶段将第二阶段的输出与经过上采样第一阶段的输出相融合,逐步恢复特征图的分辨率,最后获得和输入大小相同的颅内血肿分割结果。该方法需要较大内存来存储网络参数和中间特征图,需要消耗大量资源;该方法中使用的最大池化会忽略掉一些重要特征,导致对血肿与正常组织间的边界区域的分割精度低,不足以应用到临床医学的实际任务中。
技术实现思路
1、本专利技术为了解决现有的颅内血肿分割方
2、本专利技术解决技术问题的方案是:
3、一种基于卷积网络和注意力机制的颅内血肿分割方法,包括如下步骤:
4、步骤1,构建网络模型:本专利技术构建了一个结合卷积网络和注意力机制的多分支特征融合网络;
5、步骤2,准备数据集:选择颅内血肿ct影像数据集进行筛选、划分数据集,并按照硬膜外血肿(edh)、硬膜下血肿(sdh)、脑实质血肿(iph)、蛛网膜下腔血肿(sah)这四种类型进行标注;
6、步骤3,训练网络模型:将步骤2中准备好的数据集输入到步骤1中构建好的网络模型中进行训练;
7、步骤4,选择合适的损失函数和常见的医学图像分割结果评估指标:通过最小化网络输出结果与数据标签的损失值,直到训练次数达到设定阈值或损失函数的值到达设定范围且趋于平衡即可认为模型参数已预训练完成,并保存模型结果。同时,选择评估指标来衡量系统的性能;
8、步骤5,微调模型:用未使用过的图像数据集对模型进行训练和微调,得到稳定可用的模型参数,进一步提高模型的图像语义分割能力;
9、步骤6,保存模型:将最终确定的模型参数保存后加载到预测网络中,进行分割操作时,直接将图像输入到预测网络中即可得到最终的分割结果。
10、上述的一种基于深度学习的医学图像语义分割方法,其特征有以下几点。
11、步骤1中,整个网络包括8个卷积块、6个卷积层、1个空间金字塔块、2个特征融合块、1个注意力块。
12、卷积块一到卷积块七属于流线型结构,称为主干特征提取网络,对原始图像进行特征提取。卷积层三用来融合网络中的低分辨率信息和高分辨率信息。卷积层四、多分支融合块一、多分支融合块二处在同一条分支上。这三个的作用是提取更多的特征信息。卷积块八、注意力块、卷积层五处在同一条分支上。这个分支结合了注意力机制来捕获图像中长距离上下文信息。最后,所有提取的特征会进行融合,然后通过卷积层六将特征信息恢复到原始的数据空间,得到图像分割结果。
13、卷积块一到卷积块七采用了密集残差连接。先对特征图的通道进行升维,然后使用由n×n大小的卷积核、批标准化层、relu6激活函数组成的卷积层进行特征提取,最后再进行通道数的降维保持特征图的前后维度相同,并和输入进行连接得到新的特征图。
14、在步骤3中,网络模型会对图像进行有监督训练,对数据集的图片进行图像增强,如扭曲、仿射变换等,并且裁剪到与输入图片大小相同并把做好标注的数据作为标签,输入到整个网络中。
15、在步骤4中,训练时所使用的损失函数选择交叉熵损失函数和dice损失函数。利用标签与预测结果的真值差异,反馈模型的质量,之后选择合适的评估指标评估模型的泛化能力。
16、本专利技术的有益效果如下:
17、1、引入的注意力模块结合了自注意力和相对位置编码,使模型能够捕获长距离上下文信息,提高了网络模型对图像的理解。
18、2、模型的设计思路是轻量化,使得网络的参数量较少,结构简单,减少了训练和推理时间。
19、3、模型中引入了密集残差连接、多分支特征融合模块、空间金字塔模块,丰富了网络模型可以学习到的特征信息,增加了网络感受野,提高了模型的分割精度和分割效率。
本文档来自技高网...【技术保护点】
1.一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,具体步骤为:
2.根据权利要求1所述的一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,编码器包括主干特征提取网络、空间金字塔块、注意力块、多分支融合块;
3.根据权利要求1所述的一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,解码器包括多个卷积层、归一化层和ReLU函数。
4.根据权利要求1所述的一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,空间金字塔块包括不同膨胀率的卷积层、1x1卷积层和自适应池化层。
5.根据权利要求1所述的一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,注意力块中包括多头轴注意力、相对位置编码、Softmax函数和门控模块。
6.根据权利要求1所述的一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,损失函数为复合损失函数,采用的损失函数包括CE损失函数和Dice损失函数。
7.根据权利要求1所述的一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,在网络训练过程中包括通
8.根据权利要求1所述的一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,所使用的CT影像数据集为CQ500数据集。
...【技术特征摘要】
1.一种基于cnn和注意力机制的颅内血肿分割方法,其特征在于,具体步骤为:
2.根据权利要求1所述的一种基于cnn和注意力机制的颅内血肿分割方法,其特征在于,编码器包括主干特征提取网络、空间金字塔块、注意力块、多分支融合块;
3.根据权利要求1所述的一种基于cnn和注意力机制的颅内血肿分割方法,其特征在于,解码器包括多个卷积层、归一化层和relu函数。
4.根据权利要求1所述的一种基于cnn和注意力机制的颅内血肿分割方法,其特征在于,空间金字塔块包括不同膨胀率的卷积层、1x1卷积层和自适应池化层。
5.根据权利要求1所述的一种基于cnn和...
【专利技术属性】
技术研发人员:高凯,李光宇,刘长龙,景文昊,李姗泽,龚博,白端元,
申请(专利权)人:长春理工大学,
类型:发明
国别省市:
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。