一种基于人工智能的脑卒中MRI图像病灶区域分割方法技术

本发明专利技术公开了一种基于人工智能的脑卒中MRI图像病灶区域分割方法。在Unet++的基础上增加了注意力机制，使得网络能够把注意力集中到对特定任务有用的显著特征，抑制输入图像中的不相关区域。结合了密集连接、深监督和注意力机制，进一步提高算法精度。本发明专利技术方法结合了Unet++中的密集连接和深监督的减小语义差异和权衡速度和精度的优点，又增加了注意力机制，可以抑制不相关背景区域的特征响应，不需要裁剪网络间的ROI；整合了不同层次的特征提升了精度，灵活的网络结构配合深监督，让参数量巨大的深度网络在可接受的精度范围内大幅度的缩减参数量。

【技术实现步骤摘要】
一种基于人工智能的脑卒中MRI图像病灶区域分割方法
本专利技术涉及图像处理领域，具体涉及一种基于人工智能的脑卒中MRI病灶区域分割方法。
技术介绍
磁共振成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号,并重建出人体信息。从磁共振图像中我们可以得到物质的多种物理特性参数。脑卒中是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中。据调查，脑卒中已成为我国第一位死亡原因，具有发病率高、死亡率高和致残率高的特点。因此，在手术前让医生知晓准确的病灶区域尤为重要。U-Net是应用在医学图像分割最著名的网络，它最初是一个用于二维图像分割的卷积神经网络。U-Net的结构左侧可视为一个编码器，右侧可视为一个解码器。编码器有四个子模块，每个子模块包含两个卷积层，每个子模块之后有一个通过maxpool实现的下采样层。解码器包含四个子模块，分辨率通过上采样操作依次上升，直到与输入图像的分辨率一致。该网络还使用了跳跃连接，将上采样结果与编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个子模块的输入。UNet++可以抓取不同层次的特征，将它们通过特征叠加的方式整合，不同层次的特征对于大小不一的目标对象的敏感度是不同的。U-Net++中的长连接联系了输入图像的很多信息，有助于还原降采样所带来的信息损失。UNet++采用可剪枝的深监督，测试时，剪掉部分对剩余结构不做影响，训练时，剪掉部分对剩余部分有影响。在深监督的过程中，每个子网络的输出已经是图像的分割结果了，所以如果小的子网络的输出结果已经足够好，就可以随意的剪掉那些多余的部分。
技术实现思路
针对现有技术中存在的不足，本专利技术提供一种基于人工智能的脑卒中MRI图像病灶区域分割方法。本专利技术提出了一种基于人工智能的脑卒中MRI图像病灶分割的AUnet++方法，在Unet++的基础上增加了注意力机制，使得网络能够把注意力集中到对特定任务有用的显著特征，抑制输入图像中的不相关区域。结合了密集连接、深监督和注意力机制，进一步提高算法精度。一种基于人工智能的脑卒中MRI图像病灶区域分割方法，步骤如下：S1:图像获取及预处理。在网上获取带有病灶分割标签的脑部MRI图像公开数据集。对图像进行平移、旋转、水平翻转的操作对数据集进行扩充。将数据分为训练集和测试集两部分。通过归一化、等比例缩放、裁剪的预处理操作得到标准的脑部MRI图像。S2：病灶区域分割。将大小统一的MRI图像输入到AUnet++网络中。所述的AUnet++网络以Unet++为基础，结构左侧为一个编码器，右侧为一个解码器。编码器有四个子模块，每个子模块包含两个卷积层，每个子模块之后有一个通过最大池化实现的下采样层。解码器包含四个子模块，每个子模块包含两个卷积层，每个子模块之后有一个上采样层。只保留最短的跳跃连接并在每个跳跃连接的末端，对提取到的特征实现注意力机制。S3：网络优化。根据需求选择是否进行剪枝处理。Unet++中深监督的应用使得网络模型的层数可以按需选择，比较各个分支的损失函数，当浅层网络能够达到精度需求，则可以进行剪枝操作，简化网络提高效率。使用训练集数据对网络参数进行训练，再使用测试集来计算网络泛化误差。本专利技术方法具有的优点及有益结果为：以上所提出的方法结合了Unet++中的密集连接和深监督的减小语义差异和权衡速度和精度的优点，又增加了注意力机制，可以抑制不相关背景区域的特征响应，不需要裁剪网络间的ROI；整合了不同层次的特征提升了精度，灵活的网络结构配合深监督，让参数量巨大的深度网络在可接受的精度范围内大幅度的缩减参数量。附图说明图1为本专利技术实施例AUnet++的网络模型图；图2为本专利技术实施方法流程图。具体实施方式下面结合附图对本专利技术作进一步描述。一种基于人工智能的脑卒中MRI图像病灶区域分割方法，步骤如下：S1:图像获取及预处理。在网上获取带有病灶分割标签的脑部MRI图像公开数据集。对图像进行平移、旋转、水平翻转的操作对数据集进行扩充。将数据分为训练集和测试集两部分。通过归一化、等比例缩放、裁剪的预处理操作得到标准的脑部MRI图像。S2：病灶区域分割。将大小统一的MRI图像输入到AUnet++网络中。如图1所示，AUnet++网络以Unet++为基础，结构左侧为一个编码器，右侧为一个解码器。编码器有四个子模块，每个子模块包含两个卷积层，每个子模块之后有一个通过最大池化实现的下采样层。解码器包含四个子模块，每个子模块包含两个卷积层，每个子模块之后有一个上采样层。只保留最短的跳跃连接并在每个跳跃连接的末端，对提取到的特征实现注意力机制。S3：网络优化。根据需求选择是否进行剪枝处理。Unet++中深监督的应用使得网络模型的层数可以按需选择，比较各个分支的损失函数，当浅层网络能够达到精度需求，则可以进行剪枝操作，简化网络提高效率。使用训练集数据对网络参数进行训练，再使用测试集来计算网络泛化误差。图2为本专利技术实施方法流程图。本文档来自技高网...

【技术保护点】
1.一种基于人工智能的脑卒中MRI图像病灶区域分割方法，其特征在于，步骤如下：/nS1:图像获取及预处理；/n在网上获取带有病灶分割标签的脑部MRI图像公开数据集；对图像进行平移、旋转、水平翻转的操作对数据集进行扩充；将数据分为训练集和测试集两部分；/n通过归一化、等比例缩放、裁剪的预处理操作得到标准的脑部MRI图像；/nS2：病灶区域分割；/n将大小统一的MRI图像输入到AUnet++网络中；所述的AUnet++网络以Unet++为基础，结构左侧为一个编码器，右侧为一个解码器；编码器有四个子模块，每个子模块包含两个卷积层，每个子模块之后有一个通过最大池化实现的下采样层；解码器包含四个子模块，每个子模块包含两个卷积层，每个子模块之后有一个上采样层；只保留最短的跳跃连接并在每个跳跃连接的末端，对提取到的特征实现注意力机制；/nS3：网络优化；/n根据需求选择是否进行剪枝处理；Unet++中深监督的应用使得网络模型的层数可以按需选择，比较各个分支的损失函数，当浅层网络能够达到精度需求，则可以进行剪枝操作，简化网络提高效率；使用训练集数据对网络参数进行训练，再使用测试集来计算网络泛化误差。/n...

【技术特征摘要】
1.一种基于人工智能的脑卒中MRI图像病灶区域分割方法，其特征在于，步骤如下：
S1:图像获取及预处理；
在网上获取带有病灶分割标签的脑部MRI图像公开数据集；对图像进行平移、旋转、水平翻转的操作对数据集进行扩充；将数据分为训练集和测试集两部分；
通过归一化、等比例缩放、裁剪的预处理操作得到标准的脑部MRI图像；
S2：病灶区域分割；
将大小统一的MRI图像输入到AUnet++网络中；所述的AUnet++网络以Unet++为基础，结构左侧为一个编码器，右侧为一个解码器；编码器有...

【专利技术属性】
技术研发人员：颜成钢，高宇涵，彭开来，孙垚棋，张继勇，张勇东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33