【技术实现步骤摘要】
本专利技术涉及医学图像分割领域，特别是涉及一种基于可变形特征聚合的三维脑肿瘤分割模型。
技术介绍
1、脑肿瘤是原发于神经系统和继发转移到颅内的占位病变。准确、可重复的肿瘤定量和形态学对脑肿瘤的诊断、治疗计划以及肿瘤治疗反应监测至关重要。3d mri(magneticresonance imaging)是一种基于磁共振成像技术获取的三维脑部图像，它可以提供更加全面和准确的脑部结构信息。从磁共振图像中分割脑肿瘤是脑肿瘤治疗的关键步骤，使临床医生能够确定肿瘤的位置、范围和类型等重要参数。脑肿瘤分割作为医学图像分割领域的一个重要课题，对临床实践有着重大意义，在神经学定量分析、手术计划、功能成像等方面有着广泛的应用。虽然3d mri可以准确地描述大脑组织结构，但是由于空间分辨率差、噪声存在、数据混有采集伪影等问题，脑肿瘤分割仍然是一项具有挑战性的任务。
2、一方面，为了获取准确的脑肿瘤分割结果以便于监测肿瘤的空间分布和分析疾病进展，通常需要有效互补的mri模态。然而不同模态具有不同的特点，对于分割区域的敏感性和贡献程度也不同，需要考虑多模态信息存在差异并充分利用模态相互之间的关系。
3、另一方面，由于mri数据具备三维属性，在进行图像信息学习和特征提取时，容易导致空间信息的丢失，无法充分获取肿瘤的空间结构和相邻组织的关系，从而难以实现对三维体积信息的完整捕获，这可能降低病灶分割的性能。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于可变形特征聚合的三维
2、本专利技术解决其技术问题所采用的技术方案是：一种基于可变形特征聚合的三维脑肿瘤分割模型，包括以下步骤：
3、s1，数据预处理：
4、s2，多模态特征对齐和融合；
5、s3，扩张感受野并捕获广泛空间表示，增强以三维体素为基准的全局空间特征；
6、s4，利用关联驱动融合模块处理不同层级和不同分支的关联特征，采用密集连接形成连续记忆机制；
7、s5，将关联驱动融合模块输出特征输入多尺度卷积注意力模块和大核分组门控注意力级联的多尺度卷积注意力解码器捕获复杂空间关系，多尺度卷积注意力在不同层级执行深度卷积并进行组间通道混合操作，大核分组门控注意力通过门控注意力机制细化与跳跃连接融合的特征，利用高效上卷积逐步上采样以匹配下一阶段特征的维度和分辨率。
8、优选地，步骤s1，模型训练和测试数据集分别按照7：2：1划分训练集、验证集和测试集，每个病例都包含t1、t1gd、t2和t2-flair四种不同模态的三维mri扫描；
9、在训练过程中，动态地应用随机旋转和缩放、弹性变形、高斯噪声、附加亮度增强和伽玛缩放等数据增强技术来提高泛化能力；
10、将脑肿瘤mri中的非零体素进行裁剪；
11、通过计算平均值和标准差来进行体素归一化操作；图像序列以50％的概率在轴面、冠状面和矢状面上随机增加水平翻转，增加模型对不同方向和视角的变化的鲁棒性。
12、优选地，步骤s2，利用模态空间感知双流编码器中的可变形特征聚合模块分支进行跨模态多层融合，利用可微变换操作对齐多模态特征，缓解不同模态之间的空间错位；设计映射函数根据全局和局部模态间关系进行建模，逐体素融合对齐特征，实现多模态特征对齐和融合。
13、优选地，步骤s2.1，将经过数据预处理后的多模态数据集以三维体b进行输入，通过线性映射将图像xi∈rh×w×d×3维数转换到c维，得到嵌入图像xi'∈rh×w×d×c，通过层归一化标准化嵌入图像fi∈rh×w×d×c，然后将嵌入图像输入模态空间感知双流编码器；
14、步骤s2.2，模态空间感知双流编码器由可变形特征聚合模块分支和空间感知分支构成；
15、可变形特征聚合模块分支包括特征变形和特征聚合操作，通过特征变形对齐多模态特征并减轻模态间的错位；使用1×1×1三维卷积获得有效的特征描述ei∈rh×w×d×c，利用ei估计模态之间的变形场，然后变换运动特征以匹配固定特征；通过3×3×3卷积对变形函数tθ(d1,d2,d3,d4)＝φ进行建模，其中θ表示卷积参数，φ∈rh×w×d×4表示不同模态之间的变形场；对于fi∈rh×w×d×c中的每个像素位置p，φ(p)表示沿x轴、y轴和z轴的偏移，变换位置p'可以通过p'＝p+φ(p)获得；根据空间变换网络定义p的可微可变形变换运算：
16、
17、其中，符号·是包括移位和插值的变换算子，δ(p')表示p'的相邻体素。fi·φ(p)和di·φ(p)期望通过学习将fi和di与合适的φ相匹配；
18、步骤s2.3，在进行特征变形对齐多模态特征后，特征聚合根据局部和全局模态间关系生成响应图；使用映射函数对模态间的对应关系进行建模，映射函数建立在具有四个平行层的金字塔块上包括全局平均池化层和5×5×5卷积层，用于提取全局对应关系，利用1×1×1和3×3×3卷积层捕获局部模态间信息；在具有对齐的多模态特征情况下，计算响应映射wi∈rh×w×d×c，调制和聚合fi和fi·φ(p)；整体跨模态特征聚合计算为：
19、
20、其中，faggr∈rh×w×d×c是聚合特征，表示为密集元素乘法。
21、优选地，步骤s3，利用大核卷积注意力、可变形层和空间通道注意力集成的空间通道感知分支灵活扩张感受野并捕获广泛空间表示。
22、优选地，步骤s3.1，将与可变形特征聚合分支的相同图像fi∈rh×w×d×c输入，通过下采样卷积实现特征图尺寸和分辨率转换，利用大核卷积注意力和空间注意力输出并行计算的空间感知模块处理远程依赖关系并捕获全局空间上下文信息；
23、与局限于固定大小区域的标准注意力机制相比，大核卷积注意力以灵活和自适应方式考虑输入图像内的大区域，通过可变形卷积实现更广泛的感受野；
24、空间感知模块输出如下：
25、fs＝comb(fi,αslka(fi)+βssa(fi))
26、其中，fi∈rh×w×d×c表示输入特征图，fs表示具有相同维度的输出，αs和βs表示每个通道的可学习参数，控制大核卷积注意力和空间注意力机制的组合权重；sa表示空间自注意力机制，lka表示大核卷积注意力实现如下：
27、
28、其中，输入张量fi∈rh×w×d×c进行逐点卷积运算，通过激活函数高斯误差线性单元进行降维；然后，利用深度卷积和深度扩展卷积序列处理变换后的张量，本文档来自技高网...
【技术保护点】
1.一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：步骤S1，模型训练和测试数据集分别按照7：2：1划分训练集、验证集和测试集，每个病例都包含T1、T1Gd、T2和T2-FLAIR四种不同模态的三维MRI扫描；
3.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：
4.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：
5.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：步骤S3，利用大核卷积注意力、可变形层和空间通道注意力集成的空间通道感知分支灵活扩张感受野并捕获广泛空间表示。
6.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：
7.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：
8.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征
9.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：
...【技术特征摘要】
1.一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：步骤s1，模型训练和测试数据集分别按照7：2：1划分训练集、验证集和测试集，每个病例都包含t1、t1gd、t2和t2-flair四种不同模态的三维mri扫描；
3.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：
4.根据权利要求1所述的一种基于可变形特征聚合的三维脑肿瘤分割模型，其特征在于：
5.根据权利要求1所...
【专利技术属性】
技术研发人员：张勇，朱智勤，孙梦薇，郑重，
申请(专利权)人：重庆南鹏人工智能科技研究院有限公司，
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。