【技术实现步骤摘要】
本专利技术属于医学影像处理领域，具体涉及基于改进轻量卷积网络的医学影像病变区域自动分割方法、介质及设备。
技术介绍
1、恶性肿瘤，也称癌症，是一种导致患者死亡的严重器官性疾病。据2023年全球数据统计，恶性肿瘤已成为全球第二大死亡原因。每年有大量不断增加的患者被确诊为恶性肿瘤，使得人类生命健康受到严重威胁，目前临床中降低恶性肿瘤死亡率的方法主要是依赖于早发现与早治疗。
2、包括计算机断层成像(computed tomography,ct)、磁共振成像(magneticresonance imaging，mri)等在内的医学影像技术是检测恶性肿瘤的主要途径之一。而医学影像分割是医学影像领域的关键内容，找到病变区域在医学影像中的确切位置和轮廓，辅助医师对肿瘤进行临床病灶诊断、靶向药物或部分切除手术治疗具有重要意义。然而，传统的人工诊断医学影像方法耗时耗力，其准确度取决于专家的专业知识和主观判断，不确定性与误差难以避免，极易造成医疗事故。目前，基于卷积神经网络(convolutional neuralnetwork，cnn)的自然图像分割技术逐渐趋于成熟，fcn(fully cnn)、u-net、v-net等深度学习模型在医学影像分割领域得到了广泛应用。但目前面向医学影像的自动分割技术仍不够成熟，面临着样本数据集有限的难题，且对正常器官与病变器官的分割性能仍有待提高。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于改进轻量卷积网络的医学影像病变区域自动分割方法
2、为实现上述目的，本专利技术采用以下技术方案：
3、基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于，包括：
4、对医学影像数据进行预处理，将预处理过后的数据划分出训练集和测试集；
5、基于mobilenetv2的倒立残差块构建轻量级卷积分割模型；
6、通过设置不同深度的倒立残差模块得到不同尺度的特征图，构建特征金字塔网络并引入自适应权重，通过自顶向下的路径和横向连接，融合不同尺度的特征图，得到多尺度特征；
7、设计自适应通道注意力机制计算金字塔网络输出特征每个通道的注意力权重，并据此对通道特征进行重标定；设计自适应空间注意力机制计算金字塔网络输出特征每个位置的注意力权重，并据此对空间特征进行重标定；融合重标定后获得的通道注意力特征和空间注意力特征，用于输入卷积分割模型以得到医学影像病变区域分割结果；
8、设计卷积分割模型的损失函数，并采用划分的训练集和测试集对卷积分割模型进行训练和测试；
9、将待分割的医学影像数据输入训练好的卷积分割模型，得到医学影像病变区域分割结果。
10、为优化上述技术方案，采取的具体措施还包括：
11、进一步地，所述对医学影像数据进行预处理包括归一化处理和去噪处理；
12、所述归一化处理是将医学影像像素值进行归一化转换到[0,1]的统一范围内，如下式：
13、
14、式中，x表示原始医学影像像素，xmax、xmin分别表示像素的最大值和最小值；
15、所述去噪处理是采用适应不同像素强度的自适应调窗方法，如下式：
16、
17、式中，w(i，j)为窗口大小；m为调窗参数；cc(i，j)、lc(i，j)、ic(i，j)分别为像素综合对比度、局部对比度和强度对比度；i(i，j)为图像中像素点i，j的灰度值；α为一常数；μ为像素点i，j的邻域均值；n表示邻域大小。
18、进一步地，所述基于mobilenetv2的倒立残差块构建的卷积分割模型中，在升维和卷积过程均进行批量归一化和prelu函数激活操作，对降维进行批量归一化操作，在输入特征和卷积后输出特征之间引入残差连接，同时在残差连接之前引入prelu激活函数；
19、所述卷积分割模型提取出的影像特征f′(x)为：
20、f′(x)＝h(x)+δ(x)；
21、式中，h(x)是卷积后输出特征；x是输入特征，是根据预处理后的医学影像数据所提取的特征；δ是prelu激活函数。
22、进一步地，所述构建特征金字塔网络并引入自适应权重，通过自顶向下的路径，融合不同尺度的特征图，得到多尺度特征，具体为：
23、pi＝αi·conv(ci+1)+βi·upsample(ni)；
24、式中，pi表示自顶向下上采样生成的第i层特征图；ci+1是自底向上第i+1层卷积结果特征图；ni是第i层的低分辨率特征图；conv是卷积操作；upsample是上采样操作；αi和βi是可学习的权重参数，通过通道注意力机制来计算：
25、
26、式中，σ是sigmoid激活函数。
27、进一步地，所述设计自适应通道注意力机制计算金字塔网络输出特征每个通道的注意力权重为：
28、sc＝σ(w2δ(w1·avgpool(fc)))；
29、式中，σ是sigmoid激活函数；fc是金字塔网络输出特征图的第c个通道；avgpool是平均池化操作；w1、w2是可学习的参数矩阵；sc是第c个通道的注意力权重；
30、对通道特征进行重标定，得到重标定后的通道注意力特征f′c：
31、f′c＝sc·fc。
32、进一步地，所述设计自适应空间注意力机制计算金字塔网络输出特征每个位置的注意力权重为：
33、sij＝σ(w4δ(w3·concat(avgpool(pi)，maxpool(pi))))；
34、式中，concat是拼接操作；maxpool是最大池化操作；w4、w3是可学习的参数矩阵，sij是第(i，j)位置的注意力权重；
35、对空间特征进行重标定，得到重标定后的空间注意力特征fs′：
36、fs′＝sij·pi。
37、进一步地，所述融合重标定后获得的通道注意力特征和空间注意力特征，具体为：
38、
39、式中，ffusion为融合特征，为张量积符号。
40、进一步地，所述卷积分割模型的损失函数为：
41、
42、式中，l是总损失；wi是第i个像素的权重；yi是第i个像素的真实标签；pi是模型预测的第i个像素为正类的概率；α、β、γ、δ、η、θ是取值在[0，1]范围内的超参数；是第i个像素的梯度信息；ii是第i个像素的特征信息；ineighbor是第i个像素的相邻像素的特征信息；imulti-scale是第i个像素在多尺度下的特征信息。
43、相应地，本专利技术提出了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如上所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法。
44、相应地，本专利技术提出了一种电子设备，其特征在于，包括：存储器、处理器及存本文档来自技高网...
【技术保护点】
1.基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于，包括：
2.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述对医学影像数据进行预处理包括归一化处理和去噪处理；
3.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述基于MobileNetV2的倒立残差块构建的卷积分割模型中，在升维和卷积过程均进行批量归一化和PReLu函数激活操作，对降维进行批量归一化操作，在输入特征和卷积后输出特征之间引入残差连接，同时在残差连接之前引入PReLu激活函数；
4.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述构建特征金字塔网络并引入自适应权重，通过自顶向下的路径和横向连接，融合不同尺度的特征图，得到多尺度特征，具体为：
5.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述设计自适应通道注意力机制计算金字塔网络输出特征每个通道的注意力权重为：
6.如权利要求5所述的基于改
7.如权利要求6所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述融合重标定后获得的通道注意力特征和空间注意力特征，具体为：
8.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述卷积分割模型的损失函数为：
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-8任一项所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-8任一项所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法。
...【技术特征摘要】
1.基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于，包括：
2.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述对医学影像数据进行预处理包括归一化处理和去噪处理；
3.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述基于mobilenetv2的倒立残差块构建的卷积分割模型中，在升维和卷积过程均进行批量归一化和prelu函数激活操作，对降维进行批量归一化操作，在输入特征和卷积后输出特征之间引入残差连接，同时在残差连接之前引入prelu激活函数；
4.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述构建特征金字塔网络并引入自适应权重，通过自顶向下的路径和横向连接，融合不同尺度的特征图，得到多尺度特征，具体为：
5.如权利要求1所述的基于改进轻量卷积网络的医学影像病变区域自动分割方法，其特征在于：所述设计自适应通道注意力机制计算金...
【专利技术属性】
技术研发人员：李玉红，邵瑞瑞，
申请(专利权)人：江苏开放大学江苏城市职业学院，
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。