[发明专利]一种基于注意力机制的3D卷积神经网络的前列腺MR图像分割方法

权利要求书

1.一种基于注意力机制的3D卷积神经网络的前列腺MR图像分割方法，其特征在于，包括如下步骤：

步骤(1)，将不同格式的前列腺MR图像进行格式统一；

步骤(1)的具体实现方式如下，

调用医学图像读取函数，输入前列腺MR图像文件名和该图像对应的分割图文件名，分别读入大小为H×W×D的矩阵X和Y中，矩阵X中各元素为前列腺MR图像的像素值，矩阵Y中各元素为该元素对应的类别，H为前列腺MR图像的长，W为前列腺MR图像的宽，D为前列腺MR图像的切片数；然后将矩阵X和Y存储在HDF5文件中，同时使用SimpleITK读取该图像的模态、尺寸、体素间距、分割类别数，并根据矩阵Y，使用SimpleITK计算出该图像的前列腺区域坐标，将这些属性一并存入HDF5文件中；

步骤(2)，对图像的像素值范围进行裁剪，去除掉异常点；

步骤(3)，计算所有图像的平均体素间距，将所有图像重采样为该平均体素间距；

步骤(4)，设计带有注意力机制的3D卷积神经网络；

该网络的结构包括5个卷积层、4个下采样层、4个上采样层、4个注意力模块，前4个卷积层后面分别连接1个下采样层，第5个卷积层后面连接4个上采样层，每个上采样层后面连接1个注意力模块，所述卷积层均为3D卷积层；该网络的输入为前列腺MR图像，输出为预测分割图；

步骤(4)中注意力模块接受来自下采样层的低级特征和相应尺度上采样层的高级特征，先对上采样层的高级特征进行卷积和批归一化，然后将它和下采样层的低级特征串联得到特征图，最后使用全局池化层、全连接层、线性整流函数、全连接层和激活函数输出权重向量，并使用该权重向量和一个卷积层重新加权特征图；

步骤(5)，构建网络的输入时，使用过采样策略平衡正负样本的比例，训练网络；

步骤(5)中，先读取步骤(1)中获取的HDF5文件中的矩阵X、Y和前列腺区域坐标，然后设定过采样概率P，同时使用一个产生0-1范围的随机数生成函数，若生成的随机数大于P，则根据前列腺区域坐标，在矩阵X和Y的前列腺区域进行采样；若生成的随机数小于P，则在矩阵X和Y中随机取样；

步骤(6)，使用滑动窗口策略对前列腺MR图像取样，输入训练好的卷积神经网络，输出子图像分割图；

步骤(6)中，滑动窗口大小等于网络输入图像的尺寸，滑动窗口步长设置为网络输入图像尺寸的一半，将该滑动窗口内的子图像输入训练好的网络，获得子图像分割图，使用加权平均的方法融合所有子图像的分割图，获得该前列腺MR图像完整的分割图；

步骤(7)，将所有子图像分割图加权融合获得完整的前列腺MR图像分割图。

2.如权利要求1所述的一种基于注意力机制的3D卷积神经网络的前列腺MR图像分割方法，其特征在于：步骤(2)中，将图像的像素值按从小到大进行排序，计算其在0.5％处和99.5％处的像素值X_0.5和X_99.5，将图像的所有像素值中低于X_0.5像素值置为X_0.5，高于X_99.5的像素值置为X_99.5，从而去除掉异常点，使图像维持高的对比度。

3.如权利要求1所述的一种基于注意力机制的3D卷积神经网络的前列腺MR图像分割方法，其特征在于：步骤(4)中5个卷积层的卷积核个数设置为30、60、90、120、150，卷积核的大小为3×3×3。

4.如权利要求1所述的一种基于注意力机制的3D卷积神经网络的前列腺MR图像分割方法，其特征在于：训练网络时，图像的前列腺区域赋予标签1，非前列腺区域赋予标签0，使用交叉熵损失函数进行训练，网络每次输入若干个样本，每轮训练m次，共训练n轮，学习率大小设置为10e-4。