[发明专利]基于混合注意力机制的2D卷积神经网络的脊椎图分割方法

权利要求书

1.一种基于混合注意力机制的2D卷积神经网络的脊椎CT图像分割方法，其特征在于，包括以下的步骤：

(1)建立训练集：

收集已知金标准分割图结果的脊椎CT图像，其中同时包含正常案例和脊椎弯曲病例；将这些脊椎CT图像的文件格式进行统一，同时，对这些脊椎CT图像进行感兴趣区域裁剪操作，并对裁剪后的图像进行直方图均衡及像素值归一化操作，从而得到训练集样本；

(2)对待分割的原始脊椎CT图像进行预处理：

针对待分割的原始脊椎CT图像，使其文件格式与所述训练集样本的文件格式保持一致，同时，对该脊椎CT图像进行感兴趣区域裁剪操作，并对裁剪后的图像进行直方图均衡及像素值归一化操作，从而得到待分割样本；

(3)建立带有混合注意力机制的2D卷积神经网络，所述混合注意力机制同时结合了空间注意力机制和通道注意力机制，能够分别通过计算空间权重矩阵和通道权重向量表达空间注意力和通道注意力，其中，所述空间权重矩阵的尺寸大小为H×W×1，H和W分别代表输入特征图的像素高度和像素宽度；所述通道权重向量的尺寸大小为1×1×C，C表示输入特征图的通道数；通过将输入特征图与所述空间权重矩阵相乘能够实现空间注意力机制，从而对输入特征图中的空间信息进行计算；通过将输入特征图与所述通道权重向量相乘能够实现通道注意力机制，从而对输入特征图中的通道信息进行计算；

然后，利用所述步骤(1)得到的训练集样本、以相应的金标准分割图作为标注数据训练该卷积神经网络，使训练后的混合注意力机制的2D卷积神经网络能够筛选出脊椎所对应的特征，所述特征包括椎骨边缘、椎骨形状以及椎骨纹理中的至少一种；

(4)将所述步骤(2)得到的待分割样本输入至所述步骤(3)得到的训练好的带有混合注意力机制的2D卷积神经网络，即可输出得到脊椎CT图像分割结果。

2.如权利要求1所述基于混合注意力机制的2D卷积神经网络的脊椎CT图像分割方法，其特征在于，所述步骤(3)中，所述带有混合注意力机制的2D卷积神经网络，包括依次设置的特征提取层、混合注意力机制模块、Encoder层和Decoder层，其中，

所述特征提取层由5层2D卷积层组成，其中，任意一个所述2D卷积层的内核尺寸为3，步长为1，填充为1，卷积核个数为32，并接连有激活函数；并且，这5层2D卷积层中，上一层的输出是作为下一层的输入；

所述混合注意力机制模块用于以所述特征提取层的输出作为输入，利用卷积操作以及矩阵内积操作实现对空间注意力权重以及通道注意力权重的计算，然后输出与混合注意力机制模块输入相同尺寸大小的特征图；所述混合注意力机制模块共有13层细节结构，上一层细节结构的输出是作为下一层细节结构的输入，其中：

第1层细节结构为输入层，包括1个卷积层和1个滤波器，该卷积层的卷积核尺寸为3×3、步长为1、填充为1；

第2层细节结构包括1个卷积层和1个滤波器，该卷积层的卷积核尺寸为3×3、步长为1、填充为1；

第3层细节结构为激活层，使用softmax作为激活函数；

第4层细节结构为外积层；

第5层细节结构包括1个卷积层和C个滤波器，其中，C为输入特征图的通道数；该卷积层的卷积核尺寸为3×3、步长为1、填充为1；

第6层细节结构为激活层，使用softmax作为激活函数；

第7层细节结构为外积层；

第8层细节结构包括1个卷积层和1个滤波器，该卷积层的卷积核尺寸为3×3、步长为1、填充为1；

第9层细节结构包括1个卷积层和1个滤波器，该卷积层的卷积核尺寸为7×7，步长为1，填充为3；

第10层细节结构为激活层，使用softmax作为激活函数；

第11层细节结构为内积层；

第12层细节结构为加和层；

第13层细节结构为输出层；

所述Encoder包含依次相连的4层细节结构，每一层细节结构均由2个卷积神经块和1个下采样层顺序连接构成，其中，每个所述卷积神经块均由2D卷积网络和批归一化层构成，每个所述卷积神经块均用于输出特征图，所述特征图的数目即为通道数，该通道数是由所述2D卷积网络的卷积核个数决定，每个特征图用于表示脊椎CT图像中的一部分特征；

对于所述Encoder中任意一层细节结构，输入至该层细节结构的特征图经过这2个卷积神经块后再送入所述下采样层，并且经过所述下采样层时特征图的高度H和宽度W将分别缩小一半、特征图的通道数将增大一倍；

所述Decoder包含依次相连的4层细节结构和1个由sigmoid函数激活的卷积层，每一层细节结构均由1个上采样层和2个卷积神经块顺序连接构成；对于所述Decoder中任意一层细节结构，输入至该层细节结构的特征图经过所述上采样层再送入这2个卷积神经块，具体的：经过所述上采样层时特征图的高度H和宽度W将分别扩大一倍、特征图的通道数将减小一半，经过上采样层后的特征图与所述Encoder中各细节结构得到的相同尺寸的特征图相加后，再送入所述2个卷积神经块；

所述由sigmoid函数激活的卷积层，用于输出预测分割图。