【技术实现步骤摘要】
本专利技术涉及卷积神经网络和尘肺病病变分级检测识别等，具体为多尺度并行双通道的尘肺病病变分级识别方法，可用于尘肺病病变分级检测领域。
技术介绍
1、随着工业化进程的加速，尘肺病等职业病的发病率逐渐增加，早期诊断显得尤为关键。传统的尘肺病检测方法主要依赖影像学技术(如x射线检查、ct扫描)和人工诊断，这些方法存在识别精度不高、人工干预多且难以完全自动化的问题。深度学习作为一种高效的数据驱动方法，近年来在医学影像分析领域展现出了卓越的性能，能够自动从大量医学影像数据中提取病灶特征，克服了传统方法的局限性。然而，传统影像分析方法在处理不同模态影像数据时往往面临特征提取困难和泛化能力差等问题，导致诊断结果的不稳定。针对这些问题，本专利技术提出了一种新型的多尺度异径途径的双通道尘肺病病变分级识别模型。该方法通过利用多尺度注意力机制进行特征分组和并行卷积操作，增强模型感受野，使其能够充分提取肺部x光胸片中病灶特征，特征提取后分别输入至细节编码器和基于transformer层堆叠的双通道，捕获细节性纹理信息并融合局部与全局信息的操作，最终实现全面的信息整合与尘肺病病变分级的识别。
技术实现思路
1、为了解决传统医学图像诊断方法难以提取全面的病灶特征和泛化能力相对较弱等问题，本专利技术在传统卷积神经网络的基础上构建了并行卷积的多尺度卷积机制，以增强模型感受野，形成注意力权重图，并行双通道协同机制，然后使用细节编码器和transformer堆叠栈多通道融合局部和全局不同层次的信息，实现尘肺病精准检测
2、1、使用多尺度注意力机制构造注意力权重图，其步骤按如下进行：
3、(1a)特征分组：
4、将不同通道设计为批量维度，进行1×1、3×3的并行卷积操作，并且将通道维度进行分组分为多个子特征，对于给定的输入特征映射x∈rc×h×w，将特征图在通道维度上划分为g个子特征，组内样式为x＝[x0,xi,...,xg-1]，xi＝rc//g×h×w。
5、(1b)构造注意力权重图：
6、使用2d全局平均池化将全局空间信息编码在1×1分支的输出中，而最小分支的输出将在通道特征联合激活机制前，直接被转换为所需的唯独形状，即通过并行路径的卷积输出与矩阵点积运算相乘，便得到了权重注意力图。其中2d全局平均池化综合公式如下：
7、
8、2、使用细节编码器捕获图像细节纹理特征信息，其步骤按如下进行：
9、(2a)利用逆神经网络提取尘肺病的专有特征：
10、将给定输入的特征表示为i∈rh×w和v∈r3×h×w，该编码器提取的特征表示的综合公式表达为：
11、
12、其中，ed(·)表示细节编码器。
13、(2b)利用交互式归一化的网络增强细节纹理特征:
14、通过对对于注意力权重图的逐元素相乘融合来自异径途经的特征，同时进行逐元素相加以聚合特征，通过卷积层、relu激活函数、批量归一化和最大池化层，从而从x光胸片的高频分量中提取更加关键且高级的细节纹理特征，即实现增强尘肺病图像数据的细节纹理特征。
15、3、利用transformer层堆栈实现全局与局部特征信息的融合，其步骤按如下进行：
16、(3a)利用transformer层堆栈实现全局与局部特征信息的融合：
17、对于给定的输入变量x∈rc×h×w，首先应用一个n×n的标准卷积层编码局部空间信息，随后使用逐点卷积层以生成输出变量xl∈rh×w×d。为了能够充分捕获包含空间归纳偏差的全局特征信息，本专利技术将输入xl分解为n个不重叠的平面块xu∈rp×n×d，p＝wh，p是面片的个数，h≤n和w≤n分别是面片的高度和宽度。对于每个面片p∈{1,...,p}，通过应用transformer层堆栈(使用swish作为激活函数)对面片间的关系进行编码，(1)展开，(2)矩阵乘法以学习局部表示，(3)折叠回输出形式进行分类，以获得融合特征表示xg∈rd×p×n：
18、xg(p)＝transformer(xu(p)),1≤p≤p
19、4、利用迁移学习方法进行预训练，进行模型权重迁移，其步骤按如下进行：
20、(4a)迁移学习方法进行预训练，进行模型权重迁移：
21、首先，利用常见肺部疾病数据集在该模型上进行运行训练，进而保存结果最优的模型权重系数，其次，根据迁移学习的特点进行权重微调迁移到尘肺病等级划分的数据集上进进行尘肺病等级划分的检测诊断。
22、本专利技术方法具有以下优点：
23、(1)本专利技术能够高效提取尘肺病影像中的专有特征，并通过双通道融合机制进行特征互补增强。该机制能够有效整合各局部的信息，显著改善特征表示的不足，提高方法的鲁棒性和尘肺病病变分级检测的稳定性。
24、(2)本专利技术引入了细节编码器，能够深入学习尘肺病影像中的细节纹理特征信息，揭示不同严重程度之间的区别特征。这种机制可以捕捉到更全面和准确的病灶信息，从而有效提升尘肺病病变分级检测的准确性和可靠性。
25、(3)本专利技术提出双通道融合细节编码器和transformer模块，用于聚合来自不同角度分的信息。该模块不仅能够有效地整合每个严重程度类别的信息，还能缓解特征过度丢失现象，从而更准确地捕捉到全局和局部特征之间的连接特性。并引入迁移学习的方法，通过此方式，增强了图像特征表示的丰富性，提高了分类的准确性，进而实现了更为精确的尘肺病病变级别的检测。
本文档来自技高网...【技术保护点】
1.多尺度并行双通道的尘肺病病变分级识别方法，包括如下步骤：
2.根据权利要求1所述的多尺度并行双通道的尘肺病病变分级识别方法，其特征在于，步骤(1)所述的利用多尺度注意力机制进行特征分组和构造注意力权重图，包括如下步骤：
3.根据权利要求1所述的多尺度并行双通道的尘肺病病变分级识别方法，其特征在于步骤(2)所述的引入细节编码器捕获图像细节性纹理特征信息，包括如下步骤：
4.根据权利要求1所述的多尺度并行双通道的尘肺病病变分级识别方法，其特征在于，步骤(3)所述的使用Transformer层堆栈实现全局与局部特征信息的融合，包括如下步骤：
【技术特征摘要】
1.多尺度并行双通道的尘肺病病变分级识别方法，包括如下步骤：
2.根据权利要求1所述的多尺度并行双通道的尘肺病病变分级识别方法，其特征在于，步骤(1)所述的利用多尺度注意力机制进行特征分组和构造注意力权重图，包括如下步骤：
3.根据权利要求1所述的多尺度并行双通道的...
【专利技术属性】
技术研发人员：苏树智，赵晨琦，于泽宽，戴勇，朱彦敏，
申请(专利权)人：安徽理工大学，
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。