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!
摘要:本发明公开了一种基于UDT的蛛网膜下腔出血病灶分割方法,所述的方法在Res‑U‑Net模型基础上进行了改进,将其应用于蛛网膜下腔出血的病灶分割任务中。针对蛛网膜下腔出血病灶大多分布弥散、形状多样的数据特点,向编码器引入单尺度可变型注意力模块,实现对蛛网膜下腔出血病灶数据特征的精确表达。在单尺度可变型注意力模块的基础上,设计并向编码器引入多尺度可变型注意力模块,可融合各编码层输出的不同尺度特征,使模型能提取到更具鲁棒性的数据特征。除此之外,为了进一步融合编码层的位置信息和解码层的语义信息,向该结构引入交叉可变型注意力模块,使模型能更精确分割蛛网膜下腔出血病灶的一些细粒度结构,比如:微小病灶、病灶区域等。
主权项:1.一种基于UDT的蛛网膜下腔出血病灶分割方法,其特征在于,包括如下步骤:步骤1,采集及转换蛛网膜下腔出血病灶的CT影像数据,构建训练集与测试集;首先将每张CT切片图像转化为PNG格式,使用标注工具对蛛网膜下腔出血病灶区域进行人工标注;随后,将图像与相应的标记数据随机划分为训练集与测试集,分别用于后续模型内部参数的更新与模型分割性能的量化评估;步骤2,构建单尺度可变型注意力模块SSDA,所述SSDA模块根据输入数据,自适应确定特征中每个元素所对应的注意力域,然后对其注意力域所有采样点对应的元素分配权重;将输入数据线性映射后,在其映射特征每个元素对应的多个采样元素上做加权和操作,完成单尺度可变型注意力的计算;步骤3,构建多尺度可变型注意力模块MSDA,所述MSDA模块是对单尺度可变型注意力模块的扩展,接收多个不同尺寸的特征,计算采样点在多尺度特征的相对位置的同时,估测采样点在多尺度特征上的参考位置,以确定查询元素在各尺寸特征中对应的注意力域;将多尺度特征分别线性映射后,对每个查询元素在这些映射特征中分别对应的多个采样元素上做加权和操作,完成多尺度可变型注意力的计算;步骤4,构建基于交叉可变型注意力的跳跃连接结构CDA-SC,所述CDA-SC是对跳跃连接通过编码特征中信息恢复解码特征细粒度特征的能力进行强化;具体的:首先,通过对编码特征分别做多次独立的1×1卷积操作,确定解码特征元素所对应的注意力域,分配注意力域所有采样点对应特征元素的权重;将解码特征线性映射后,在其映射特征每个元素对应的多个采样元素上做加权和操作,完成交叉可变型注意力的计算并输出;然后将输出特征与编码特征在通道方向上进行拼接,实现基于交叉可变型注意力的跳跃连接结构的构建;步骤5,构建UDT模型,输出病灶概率图在Res-U-Net基础上,将上述构建的三种模块引入到其部分结构中,详细情况如下:在第二编码层的残差双卷积模块后面设置了一个SSDA模块;分别在第三、四与五层的残差双卷积模块后面设置了一个MSDA模块;除第一编码层、解码层间的跳跃连接以外,其他层间的跳跃连接结构均设置为CDA-SC;步骤6,在蛛网膜下腔出血训练集上对UDT模型进行训练,直至模型收敛;步骤7,在蛛网膜下腔出血测试集上对UDT模型进行测试,将测试集中的图片分别输入到训练后的UDT模型中,得到病灶概率图,并转换为病灶分割掩模图;然后,将这些掩模图与测试集上的标签数据进行比对,计算出各评定指标后,求其平均值作为该模型对蛛网膜下腔出血病灶分割性能的评定标准。
全文数据:
权利要求:
百度查询: 华中师范大学 一种基于UDT的蛛网膜下腔出血病灶分割方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。