[发明专利]纵隔肿物识别方法、系统及装置

权利要求书

1.一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，包括如下步骤：

S1、对纵隔肿物的CT图像进行预处理；

S2、对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；

S3、将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet前，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果；

所述S3具体包括：

将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet前，对得到的多个切片按通道维度进行分组，得到C个组，将分组后的切片先输入切片间位置注意力结构提取特征，后输入融合注意力结构进行融合，得到识别结果；

所述将分组后的切片先输入切片间位置注意力结构提取特征具体包括：将分组卷积后的切片使用带步长的卷积，将特征图由H×W×C处理为N×N×C的分辨率，其中N与整个网络结构中最小特征图尺寸的分辨率相同，然后对N×N×C分辨率的特征分别使用三个权重提取Query特征向量、Key特征向量和Value特征向量，Query特征向量和Key特征向量做矩阵乘法，得到不同位置的特征之间的影响因子，将此结果作为加权因子与Value特征向量相乘即得到经过位置信息加权的特征；

所述后输入融合注意力结构进行融合，得到识别结果具体包括:将特征图划分网格，将网格内的特征展开为1维向量后，每个通道可以得到N×N个特征向量，将所有特征向量输入线性映射器进行映射，将不同通道中的相同位置的网格对应的向量作为一组特征送入1D的线性映射结构从而得到第i个位置不同通道间的自注意力加强后的特征，再将得到的结果拼接起来得到特征图，作为加权因子与原始特征相乘，不同通道间的特征融合，之后再通过一次位置注意力结构，实现了切片不同空间位置间特征的融合。

2.根据权利要求1所述的一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，所述S1具体包括：

将图像重采样统一分辨率，对重采样后的图像灰度化，对灰度后的图像采用大津算法得到二值图，对二值图进行开运算处理噪声，对处理噪声后的二值图进行边缘检测得到身体区域范围，去除大部分图像中无关区域。

3.根据权利要求1所述的一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，所述S2具体包括：

对预处理后的CT图像取连续的多个切片，并将每个切片处理成2个窗宽窗位的矩阵，得到W×H×(2×n)的数据，其中W和H代表矩阵的宽度和高度，2代表2个窗宽窗位，n代表连续的n个切片。