欢迎来到利索能及~ 联系电话:18621327849
利索能及
我要发布
收藏
专利号: 2021114033335
申请人: 重庆邮电大学
专利类型:发明专利
专利状态:授权未缴费
专利领域: 计算;推算;计数
更新日期:2024-10-29
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于RAPNet网络的脑肿瘤MRI图像三维分割方法,其特征在于,包括以下步骤:构建RAPNet网络并对其进行训练;

将将脑部MRI图像输入到训练好的RAPNet网络中进行图像识别分割,得到分割后的脑肿瘤MRI图像及其亚结构区域;

RAPNet网络包括主干网络、特征金字塔以及辅助预测,其中:主干网络由空洞卷积和多个改进的递归残差卷积单元组成,用于提取输入图像的浅层特征和深层特征;

特征金字塔由空洞卷积和跨模型注意力机制构成,用于提取具有不同尺度的特征图以提高整体模型对不同大小肿瘤的识别能力;

辅助预测部分为标准卷积组成,用于综合观察所有受益于特征融合模块的目标。

2.根据权利要求1所述的一种基于RAPNet网络的脑肿瘤MRI图像三维分割方法,其特征在于,改进的递归残差卷积单元由三个ISE‑Res模块、三个1×1×1标准卷积层、一个3×3×

3标准卷积层和一个残差连接层组成,其中:

3×3×3标准卷积层根据输入的图像得到高分辨率图像;

将高分辨率图像输入1×1×1标准卷积层在保证不改变图像大小的情况下压缩其通道数;

将1×1×1标准卷积得到图像与高分辨率图像相加后输入ISE‑Res模块;

第一个ISE‑Res模块输出的特征再输入一个1×1×1标准卷积层在保证不改变图像大小的情况下压缩其通道数;

将1×1×1标准卷积得到图像与高分辨率图像相加后输入第二个ISE‑Res模块;

第二个ISE‑Res模块输出的特征再输入一个1×1×1标准卷积层在保证不改变图像大小的情况下压缩其通道数;

将1×1×1标准卷积得到图像与高分辨率图像相加后输入第三个ISE‑Res模块;

第二个ISE‑Res模块输出的特征与输入的图像相加作为改进的递归残差卷积单元的输出。

3.根据权利要求2所述的一种基于RAPNet网络的脑肿瘤MRI图像三维分割方法,其特征在于,改进的递归残差卷积单元提取输入图像的浅层特征和深层特征,具体包括以下步骤:其中, 表示ISE‑R2CU单元网络在时间步长为t的输出, 和 分别是网络中第l层的标准卷积和递归卷积单元的输入, 和 的值分别为标准卷积和递归卷积单元在第k层特征图的权重,bk为偏差, 是第l层中递归卷积单元的输出,xl为网络中第l层的输入样本,wl为第l层特征图上的像素。

4.根据权利要求1所述的一种基于RAPNet网络的脑肿瘤MRI图像三维分割方法,其特征在于,跨模型注意力机制包括三个ISE‑Res;每个ISE‑Res集成在特征金字塔的各特征提取分支中,在每个注意力机制模块的输出位置进行了元素相加操作;每个分支的激活特征通过拼接操作从上一分支连接到下一分支的特征映射。

5.根据权利要求2或4所述的一种基于RAPNet网络的脑肿瘤MRI图像三维分割方法,其特征在于,ISE‑Res模块由的一个全局均值池化、一个全局最大池化、三个ReLU层、一个Sigmoid层和一个残差连接层组成,其中:输入数据利用全局均值池化和全局最大池化分别对每个通道的全局信息并行采样,并行采样后的特征分别馈送到两个ReLU层进行激活;

将所述两个ReLU层的输出进行相加输入Sigmoid层;

残差连接层将Sigmoid输出与输入数据相乘后再与输入数据线性叠加作为残差连接;

叠加后得到的数据输入一个ReLU层进行激活。

6.根据权利要求1所述的一种基于RAPNet网络的脑肿瘤MRI图像三维分割方法,其特征在于,辅助预测结构包含三个1×1×1标准卷积层和分割预测层;每个输入特征图分支后均使用标准卷积和分割预测层以得到该分支的预测结果。

7.根据权利要求1所述的一种基于RAPNet网络的脑肿瘤MRI图像三维分割方法,其特征在于,RAPNet网络的训练过程包括:S1:将训练集中的图像数据输入到RAPNet网络进行处理;

S2:主干网络的3D递归残差卷积单元对输入数据通过多次操作对不同深度的特征进行累加;

S3:特征金字塔中具体不同膨胀率的空洞卷积学习输入数据的多尺度特征,通过特征重新校准机制,学习使用全局信息选择性强调信息丰富的特征;

S4:辅助预测结构对具有不同尺度特征的多层预测结果分别与标签图像进行逐像素比对,得到各分支预测结果误差;

S5:根据误差结果计算各分支的损失函数,并将误差通过反向传播算法输入到模型,更新在网络提取特征时候的卷积核权重和各模块中的参数,当损失函数最小时,完成模型的训练。

8.根据权利要求7所述的一种基于RAPNet网络的脑肿瘤MRI图像三维分割方法,其特征在于,RAPNet网络的损失函数为:Ltotal(G,Y,I)=Laided(G,Y,I)+Lfuse(G,Y,I)αm×0.1×(1‑t/N)→αm其中,I为3D MRI图像输入样本,G为对应的真实分割结果,Y为使用RAPNet产生的实际分割结果,Ltotal(G,Y,I)为网络的总体损失,Laided(G,Y,I)表示用于分层预测的辅助结构的损失,Lfuse(G,Y,I)表示融合层的损失,M表示辅助结构的总层数,αm参数用于调整总体损失和辅助结构中第m层损失的比例,t表示回合步数,N表示回合总数, 表示衡量辅助结构中第m层预测结果与真实分割结果相似性的损失函数,σ(·)表示标准卷积函数之后的BN和ReLU的复合非线性映射,βm表示可学习融合权重, 表示辅助结构中第m层的输出,表示G与 之间的损失值。