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：齐鲁工业大学(山东省科学院);山东省人工智能研究院

摘要：本发明涉及医学影像处理领域，尤其涉及一种基于双阶段粒度网络的颈部MRI图像分析方法。本发明方法包括如下步骤：选取颈部MRI图像的数据合成数据集，将数据按比例划分为训练集、验证集和测试集；将训练集进行数据增强操作并作归一化处理；设置网络模型结构以及损失函数和优化算法，将经过预处理的训练集数据送入网络模型，通过网络学习有效的特征表示；将训练好的网络模型在验证集上进行评估，计算评价指标来评估模型性能，根据评估结果来调整模型的超参数并重新训练以提升网络的性能；最终使用最优的网络模型参数在测试集上评估模型的泛化能力和性能。本发明方法能够在包含血管、神经、软组织等多种组织中实现精准的颈动脉血管提取。

主权项：1.一种基于双阶段粒度网络的颈部MRI图像分析方法，其特征在于，包括如下步骤：S1.将CARE-II研究中的颈部MRI图像及其标签作为研究数据，并将其按比例划分为训练集、验证集和测试集；S2.将训练集进行预处理，包括缩放、旋转、移位、裁剪操作，以增加数据的多样性，数据增强后进行归一化处理，验证集和测试集进行归一化处理；S3.设置一个双阶段骨干网络模型结构并加入优化模块，使用预处理后的训练集训练模型，通过损失函数来衡量模型输出与真实标签的差异并通过优化算法更新网络参数；网络模型结构包括粗粒度提取网络和细粒度提取网络；第一阶段粗粒度提取网络包括五个编码器和四个解码器，均由两个卷积核为33、步长为1、填充为1的卷积层，BatchNorm层，ReLU激活函数和带有卷积核为33、步长为1、填充为1的卷积层和BatchNorm层的残差连接组成，分别记为、、、、，、、、，编码器之间是池化核大小为22，步长为2的最大池化下采样层；解码器之间是双线性插值上采样层；第二阶段细粒度提取网络包括4个特征细化注意力模块，分别记为、、、，细粒度提取网络的第一编码器记为，四个解码器分别记为、、、；两个阶段的网络的中间，嵌入信息流传播模块；网络训练过程中使用Dice损失函数和交叉熵损失函数的结合来计算输出结果与真实标签之间的损失函数值，然后将损失函数通过反向传播算法计算每一层损失的梯度，即损失函数对每个参数的偏导数；计算出梯度后使用AdamW优化算法根据计算得到的梯度信息更新模型参数，以减小损失函数的值，重复多次的执行计算损失和反向传播的过程，直至损失函数收敛或达到预先设定的停止条件，这个过程中，神经网络的参数不断调整，使得模型的预测结果逐渐接近真实标签，最终保存最优的网络参数；编码器块和解码器块的计算过程如下所示： 其中，表示模块的输入，表示模块的输出，代表卷积操作，表示BatchNorm归一化和ReLU激活函数的连续操作；在特征细化注意力模块中，输入特征首先经过两个卷积核为33、步长为1、填充为1的卷积层，两个卷积层计算提取图像中的特征，然后将这些特征分别传入两个分支中提取不同特征，接着将两个分支的输出特征进行拼接整合，最后使用一个11的卷积层来调整参数数量，最后将11的卷积层的输出和残差连接的结果相加得到最终输出结果，其中，两个分支中第一个分支为33卷积、通道注意力模块和11卷积，第二个分支为33卷积、空间注意力模块和11卷积； 的计算公式如下： ， ，其中，表示模块的输入，表示模块中经过两个卷积层之后的输出，表示模块的输出，代表卷积操作，表示特征拼接，表示通道注意力模块，表示空间注意力模块，表示BatchNorm归一化和ReLU激活函数的连续操作；在嵌入信息流传播模块中，接受第一阶段粗粒度提取网络不同层的特征信息，将这些信息通过卷积核为11的卷积层编码后，再将编码后的特征信息传递给第二阶段细粒度提取网络，的计算公式如下： ， ， ，其中，代表卷积操作，代表模块接收第一阶段网络不同层的信息，代表模块输出给第二阶段网络不同层信息，表示拼接操作；S4.使用验证集评估训练好的模型在未知数据上的性能，计算模型输出与标签之间的差异进行评估，根据评估结果来调整模型的超参数以提升网络的性能；S5.使用测试集评估经过调优的模型的泛化能力和性能。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 山东省人工智能研究院 基于双阶段粒度网络的颈部MRI图像分析方法