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：山东师范大学

摘要：本发明涉及医学图像分割技术领域，具体涉及一种肝脏和肿瘤三维图像分割方法和系统，具体如下：收集肝脏相关病例的CT图像来创建数据集，对数据集中图像数据进行预处理，然后将预处理后的数据集划分为训练集和测试集；创建用于图像分割的网络模型，将训练集中图像数据输入至网络模块中进行处理，得到预测的分割图像；对网络模型进行优化训练，然后将测试集输入至优化训练后的网络模型，得到最终的分割图像。本发明通过网络模型中的DeAtt模块、DyAtt模块和MSFF模块，来对输入的CT图像进行处理，可以更好地适应肿瘤的非规则形态和复杂边界，实现高效准确的分割效果，以及提升肝脏肿瘤分割任务的准确性和鲁棒性。

主权项：1.一种肝脏和肿瘤三维图像分割方法，其特征是，包括以下步骤：S1、收集肝脏相关病例的CT图像来创建数据集，对数据集中图像数据进行预处理，然后将预处理后的数据集划分为训练集和测试集，，表示训练集中任意一张CT图像，表示训练集中第张CT图像；S2、创建用于图像分割的网络模型，将训练集中图像数据输入至网络模块中进行处理，得到预测的分割图像；步骤S2具体如下：S2.1、创建一个端到端的网络模型，对CT图像中肝脏和肿瘤进行联合分割，网络模型包括编码器、解码器、可变形注意力模块DeAtt、动态通道注意力模块DyAtt和5个多尺度特征融合模块MSFF；S2.2、将训练集中的图像输入至编码器进行特征提取，编码器有六层，首先通过编码器的第一层对输入的每个图像进行下采样得到第一层输出的特征图，然后将第一层输出的特征图作为第二层的输入，再次进行下采样操作得到第二层输出的特征图，多次重复上述操作，将上一层输出的特征图作为下一层的输入，对其进行下采样操作，得到本层对应输出的特征图，最终得到每个图像在编码器每层对应输出的特征图，，表示编码器第层输出的特征图；S2.3、5个多尺度特征融合模块MSFF分别为第一个多尺度特征融合模块MSFF1、第二个多尺度特征融合模块MSFF2、第三个多尺度特征融合模块MSFF3、第四个多尺度特征融合模块MSFF4和第五个多尺度特征融合模块MSFF5，将特征图和输入至第一多尺度特征融合模块，将特征图和输入至第二多尺度特征融合模块，将特征图和输入至第三多尺度特征融合模块，将特征图和输入至第四多尺度特征融合模块，将特征图和输入至第五多尺度特征融合模块；将两层的特征图和特征图输入至多尺度特征融合模块MSFF来增强通道依赖性并建立通道关注，此时，上一层的特征图经过平均池化、最大池化、池化和全连接层来增强通道依赖性并建立通道关注，输出得到特征图，计算过程如下： ，其中，表示平均池化操作，表示最大池化操作，表示基于加权的池化操作，表示全连接层操作；然后，下一层的特征图经过上采样后，再通过乘法进行细化，与上一层特征图和特征图进行拼接得到特征图，计算过程如下： ，其中，表示拼接操作，表示上采样操作，表示第个多尺度特征融合模块输出的特征图；S2.4、将第四个多尺度特征融合模块输出的特征图输入至可变形注意力模块DeAtt；S2.4.1、特征图先经过卷积操作得到注意力机制的查询，再将注意力机制的查询输入至偏移量生成网络得到偏移量；其中，偏移量生成网络包括第一个3D卷积层、激活函数、第二个3D卷积层、激活函数和层，注意力机制的查询首先通过第一个3D卷积层进行卷积操作，然后通过激活函数增加非线性，接着再经过第二个3D卷积层进行将通道数减少至3，来对应3D空间中x,y,z方向的偏移量，再使用激活函数将其限制在[-1,1]之间，最后通过层对偏移量进行缩放调整来适应不同的尺度变化，具体计算公式如下： ， ，其中，表示对进行线性变换的权重矩阵，表示生成偏移量网络，表示第一个3D卷积层的卷积操作，表示激活函数的操作，表示第二个3D卷积层的卷积操作，表示激活函数的操作，表示层进行的缩放操作；S2.4.2、对特征图和偏移量进行双相插值操作得到偏移特征图，计算公式如下： ，其中，表示双相插值操作；S2.4.3、对偏移特征图进行卷积操作得到注意力机制的键和值，计算公式如下： ， ，其中，表示对进行线性变换的权重矩阵，表示对进行线性变换的权重矩阵；S2.4.4、通过计算注意力机制的查询和键之间的相对位置得到相对位置偏置，然后通过相对位置偏置求得注意力得分，最后将注意力得分与特征图相乘，得到DeAtt模块的最终输出特征图，计算公式如下： ， ， ，其中，表示多层感知器的操作，表示正弦函数的操作，表示特征图的坐标网格，表示偏移特征图的坐标网格，表示激活函数的操作，表示注意力得分，表示转置操作；S2.5、将第五个多尺度特征融合模块输出的特征图输入至动态通道注意力模块DyAtt；S2.5.1、对第五个的MSFF模块输出的特征图分别进行空间维度的全局最大池化和全局平均池化操作，分别得到特征图和特征图，计算公式如下： ， ，其中，表示最大池化操作，表示全局平均池化操作；S2.5.2、将特征图和特征图分别输入至共享的多层感知器SharedMLP中进行学习，分别得到特征图和特征图，再将特征图和特征图相加经过激活函数处理得到通道注意力权重矩阵，然后将通道注意力权重矩阵与相乘，得到强化后特征图，具体计算公式如下： ， ， ， ，其中，表示激活函数的操作，和分别表示第一层权重矩阵和第二层权重矩阵，和表示两个不同的偏置向量，表示激活函数的操作，表示逐元素相乘；S2.5.3、将强化后的特征图输入至DyAtt模块中的3D注意力模块Attention3D进行空间维度上的特征提取，Attention3D依次包括平均池化层、第一个全连接层、激活函数ReLU、第二个全连接层和Softmax激活函数；强化后的特征图首先经过平均池化层进行降采样，再经过第一个全连接层和激活函数，将输入特征图映射到更高维度的空间，然后经过第二个全连接层进一步提取特征，最后通过激活函数将第二个全连接层的输出转换为对应K个卷积的卷积核注意力权重，计算过程如下： ，其中，表示平均池化层，表示第一个全连接层，表示激活函数的操作，表示第二个全连接层，表示激活函数的操作，表示第个卷积的卷积核注意力权重值，；再通过注意力权重对卷积核进行加权求和，然后再使用加权后的卷积核对增强后的特征图进行卷积操作，最后得到特征图，计算公式如下： ，其中，表示三维卷积操作，表示第个卷积核，表示卷积个数，表示第个卷积核的权重，表示DyAtt模块最终输出的特征图；S3、对网络模型进行优化训练，然后将测试集输入至优化训练后的网络模型，得到最终的分割图像。

全文数据：

权利要求：

百度查询： 山东师范大学 一种肝脏和肿瘤三维图像分割方法和系统