[发明专利]一种基于上下文聚合的MRI图像肝血管分割方法在审
申请号: | 202110557884.0 | 申请日: | 2021-05-21 |
公开(公告)号: | CN113643310A | 公开(公告)日: | 2021-11-12 |
发明(设计)人: | 贾熹滨;孙馨蕊;杨正汉;韩昕君 | 申请(专利权)人: | 北京工业大学 |
主分类号: | G06T7/12 | 分类号: | G06T7/12;G06N3/04;G06N3/08 |
代理公司: | 北京思海天达知识产权代理有限公司 11203 | 代理人: | 沈波 |
地址: | 100124 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 上下文 聚合 mri 图像 血管 分割 方法 | ||
1.一种基于上下文聚合的MRI图像肝血管分割方法,其特征在于:该方法包括以下步骤:
步骤1,平扫MRI图像的预处理工作;
步骤1.1,对MRI图像数据和标注掩膜进行重采样;
步骤1.2,将MRI图像数据归一化至[-1,1];
步骤2,MRI图像数据的数据增广工作;
步骤3,将MRI图像数据输入模型;
步骤3.1,将MRI图像数据输入基于卷积神经网络的特征提取模块,提取图像的高层语义特征图;
步骤3.2,将高层语义特征图输入上下文聚合模块,提取不同感受野下的特征图;
步骤3.3,聚合不同感受野下的特征图,并对特征图不同通道按照学习到的重要性进行重新赋权;
步骤3.4,输入解码器网络,获得MRI图像肝血管初步分割结果;
步骤4,将待分割的图像数据经过步骤1的处理后输入训练好的网络中,输出MRI图像肝血管分割结果。
2.根据权利要求1所述的一种基于上下文聚合的MRI图像肝血管分割方法,其特征在于:肝血管MRI图像的预处理工作对按照整体数据的体素间距中位数对所用数据进行重采样;利用95%分位点消除图像像素灰度中异常值;在消除异常值后,计算图像灰度像素值的均值和方差,通过如下公式,对图像进行规范化;其中,xmean为图像像素灰度平均值,σ为像素灰度方差;
3.根据权利要求1所述的一种基于上下文聚合的MRI图像肝血管分割方法,其特征在于:步骤3所述构建的上下文聚合的MRI图像肝血管分割共分为4个模块,编码模块、上下文聚合模块、通道注意力模块、解码模块;编码模块发网络结构包括5个卷积层,4个最大池化层;上下文聚合模块通过注入具有多尺度空洞卷积的五个级联分支来捕获语义特征;在上下文聚合模块中,使用快捷连接防止梯度消失问题;第一分支为一个3×3的标准卷积;第二分支为一个3×3的标准卷积接一个1×1的卷积对特征图进行变换,提取同感受野不同角度的特征图;第三分支为在第二分支的基础上,增加3×3空洞率为3的空洞卷积核;第四分支和第五分支依次增加不同空洞率的空洞卷积核;5个级联分支分别得到不同感受野的特征图输出,将这5个分支的输出相加,并利用残差的思想将原始特征图引入,得到不同感受野下的特征图,提升网络获得多尺度信息的能力;通道注意力模块显式地对特征通道之间的相互依赖关系进行建模,通过学习的方式来自动获取到每个特征通道的重要程度,然后依照重要程度增强有用特征,并且抑制对当前任务无用的特征;解码器模块将同分辨率的下采样网络得到的特征图进行拼接,引入浅层网络信息,提升分割效果。
4.根据权利要求1所述的一种基于上下文聚合的MRI图像肝血管分割方法,其特征在于:训练基于上下文聚合的肝血管分割网络,训练的优化目标采用的交叉熵函数和Dice函数联合损失函数;利用Dice损失函数综合测量整个预测概率图,利用交叉熵函数精确预测分类每个像素点,最终达到精确分割的效果;公式如下所示,其中,LCE为交叉熵损失,LDice为Dice损失函数,α为超参数;LCE公式中,yic为第i个像素第c类的期望输出,pic为网络预测实际输出概率;LDice中X为网络预测的分割结果,Y为标定信息;|X|和|Y|分别表示X和Y的元素个数,|X∩Y|是X和Y之间的交集;
Lseg=αLCE+(1-α)LDice
最后在测试阶段,将待分割的图像数据经过步骤1的处理后输入训练好的网络中,输出MRI图像肝血管分割结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110557884.0/1.html,转载请声明来源钻瓜专利网。