买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河南大学

摘要：本发明属于医学图像处理技术领域，公开了一种双重特征融合MRA图像的颅内动脉瘤分割方法，提出了一种新型的特征融合方式，使神经网络能更有效的分割出颅内动脉瘤的精确位置。具体包括以下步骤：对三维时间飞跃磁共振血管成像图像进行预处理，将其制作为数据集；将处理过的图像输入用于特征提取的解码器以获得逐渐增大的高级语义特征，然后通过双重特征融合使特征反馈至解码器中；解码器进行多尺度的特征提取后还原原本的图像，以取得分割效果。本发明提出的神经网络结构有效的解决了在颅内动脉瘤分割任务中目标较小、样本不均衡的问题，并拥有较优的分割效果。

主权项：1.一种双重特征融合MRA图像的颅内动脉瘤分割方法，其特征在于，包括：步骤1：对采集到的MRA图像进行预处理并划分数据集；步骤2：将预处理后的数据输入编码器模块进行语义特征提取；步骤3：进行层间及通道间双重特征融合，并将融合后的特征反馈至解码器模块中；步骤4：解码器模块基于步骤2和步骤3提取的特征对MRA图像进行重建，并输出分割结果；步骤5：基于划分后的数据集进行训练与测试，评价分割结果；所述步骤2包括：步骤2.1：使用尺寸为4×4×4，步长为4的卷积核对输入图像进行3DPatchPartition与LinearEmbedding操作使特征图的尺寸减小到原来的14；并将上述特征图输入至LN层进行LayerNorm操作；对上述输出做DropOut操作；得到特征图1；步骤2.2：先对DropOut操作后输出的特征图进行LayerNorm操作，之后使用SwinTransformer的编码器架构，将上述输出特征图分为多个7×7×7大小的小块，使用全连接层对每一个小块生成对应的Query、Key与Value；之后以每个小块为单位进行SwinTransformer中的多头注意力操作；将上述特征图输入到全连接层中，进行DropOut操作；将DropOut操作后的输出特征图与特征图1进行相加得到特征图2；将特征图2进行LayerNorm操作；然后输入MLP层中，进行DropOut操作；将DropOut操作后的输出特征图与特征图2相加，输出特征图3；步骤2.3：将特征图3进行LayerNorm操作；对上述分块操作的小块进行滑动；使用全连接层对每一个小块生成对应的Query、Key与Value；之后以每个小块为单位进行SwinTransformer中的滑动多头注意力操作，将上述操作后的特征图输入到全连接层中，然后进行DropOut操作；将DropOut操作后的输出特征图与特征图3进行相加得到特征图4；将特征图4进行LayerNorm操作；将LayerNorm操作后输出特征图输入MLP层中，进行DropOut操作；将DropOut操作后输出特征图与特征图4相加，输出特征图5；步骤2.4：使用SwinTransformer中的3DPatchMerging对特征图5进行下采样，使其H、W减小至原来的12，D不变，其中H、W、D分别表示特征图的高、宽、长；步骤2.5：重复操作步骤2.2、步骤2.3与步骤2.4各两次，得到特征图6；所述步骤3包括：步骤3.1：将步骤2中三轮编码器模块输出的结果保存；通过不同的填充与卷积操作，将上述保存特征图尺寸均调整为7×7×7，通道数不变，得到特征图7、特征图8、特征图9；在通道维度上将特征图7、8、9连接获得特征图10；将特征图7、8、9、10进行LayerNorm操作；步骤3.2：将特征图7、8、9通过全连接层生成拥有4head的Query1、Query2、Query3作为多头注意力操作中的Query；将特征图10通过全连接层生成拥有4head的Key、Value；使4head的Key、Value分别对Query1、Query2、Query3做通道维度上的自注意力得到特征图R1、R2、R3；通过mean操作将R1、R2、R3的head合并；将上述输出特征图分别输入全连接层，进行DropOut操作后输出O1、O2、O3；将O1、O2、O3分别与特征图7、8、9相加得到特征图11、12、13；对特征图11、12、13进行LayerNorm操作及MLP操作；将MLP操作后输出分别与特征图11、12、13相加得到特征图14、15、16；步骤3.3：将步骤3.2重复三次，对对应输出特征图分别进行LayerNorm操作；通过维度变换操作使特征图尺寸由[B，Patch，C]转化为[B，D，H，W，C]，得到特征图17、18、19；其中B代表训练中的BatchSize；Patch代表在自注意力操作中Query、Key与Value的个数；C代表通道数；D、H、W代表特征图的长、高、宽；步骤3.4：输出三次重复步骤2.2中的Key、Value得到k11、k12、k13、v11、v12、v13；输出三次重复步骤2.3中的Key、Value得到k21、k22、k23、v21、v22、v23；步骤3.5：将特征图10进行SE注意力机制操作与softmax操作，将按通道数分割后得到结果与特征图17、18、19在通道方向上做torch.cat操作；通过填充与卷积操作将上述输出特征图尺寸转化为与其对应的步骤3.1输入的特征图尺寸相同，输出结果特征图；将上述输出特征图分别与步骤2.2重复三次的输入结果相加得到特征图20、21、22。

全文数据：

权利要求：

百度查询： 河南大学 一种双重特征融合MRA图像的颅内动脉瘤分割方法