基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法及系统技术方案

本发明专利技术公开了一种基于特征金字塔网络结构和高效通道注意力机制的脑肿瘤分类检测方法及系统，包括以下步骤：使用平滑处理方法实现脑肿瘤图像质量的增强，减少噪声的干扰和失真；改进通道注意力机制，使用特征金字塔网络结构替代平均池化和最大池化并与残差块组成第一阶段网络模型；优化神经网络结构，使用高效通道注意力模块替换SE模块并添加全局平均池化层和具有PFLU激活函数的全连接层序列形成第二阶段网络模型；使用K折交叉验证训练模型并通过F1分数评价方法进行最优模型的选择。本发明专利技术通过优化通道注意力机制显著的提高脑肿瘤分类检测的准确率，为医学专家准确判断脑肿瘤种类提供了新的参考。肿瘤种类提供了新的参考。肿瘤种类提供了新的参考。

【技术实现步骤摘要】
基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法及系统


[0001]本专利技术涉及计算机视觉图像处理
，尤其涉及一种基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法及系统。

技术介绍

[0002]脑肿瘤是当今世界最致命的癌症之一。据数据显示，脑肿瘤患者的5年平均生存率几乎为36%，10年平均存活率接近31%，存活率随年龄增长而下降。15岁以下人群的5年生存率超过74%，15
ꢀ‑ꢀ
39岁人群的5年生存率约为71%。40岁及以上人群的5年生存率约为21%。由此可见，脑肿瘤存活率差异很大，这取决于多种因素，包括脑肿瘤的类型和诊断结果，因此能够更加精确地诊断出脑肿瘤的类型是为患者提供更好的治疗的必要前提。
[0003]考虑到患者疾病的演变，脑肿瘤的诊断是一项具有挑战性的任务，它的分类和检测在很大程度上依赖于放射科医生的经验，诊断大量数据可能非常耗时，甚至可能会出现较大的失误，如何提高诊断的真实性和效率成了亟待解决的问题。现如今对于脑肿瘤的诊断需要借助到计算机处理技术，采用视觉图像处理技术进行分类检测，其中现有技术专利CN113903022A公开了一种基于特征金字塔与注意力融合的文本检测方法及系统，首先获取待检测图像；然后将待检测图像输入文本检测模型，得到图像中的文本位置；其中，文本检测模型包括特征提取网络和特征融合网络；所述特征提取网络的骨干网为多层依次连接的不同结构的卷积网络，且第二层卷积网络的输出上引入了位置注意力网络；所述特征融合网络用于融合卷积网络和位置注意力网络的输出特征，得到最终特征。但是脑肿瘤的检测与普通的文本检测方法不同，脑肿瘤需要使用神经网络，使用特征金字塔网络结构与改进的注意力机制模块来构成神经网络模型，来进行分类选择。因此需要一种方法来实现脑肿瘤的分类检测。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法，包括以下步骤：首先使用平滑处理方法实现脑肿瘤图像质量的增强，减少噪声的干扰和失真；再进行改进通道注意力机制，使用特征金字塔网络结构替代平均池化和最大池化并与残差块组成第一阶段神经网络模型；之后进行优化神经网络结构，使用高效通道注意力模块替换SE模块并添加全局平均池化层和具有PFLU激活函数的全连接层序列形成第二阶段神经网络模型；最后使用K折交叉验证训练模型并通过F1分数评价方法进行最优模型的选择。
[0005]进一步改进在于，包括以下步骤：步骤1，首先进行图像预处理：采用高斯滤波对原图像进行平滑处理，以实现抑制功能像的噪声、提高信噪比、减少各图像噪声干扰和失真的目的；采用裁剪、翻转的数字图像变换方法，对所处理的图像进行空间转换，以使得感受野能更好的获取特征；
步骤2，构建改进的注意力机制（CBAM）模块，采用特征金字塔结构的卷积层替换空间注意力模块的最大池化层和平均池化层，所采用的不同大小的卷积核被用于获取不同尺寸感受野的数字图像特征；步骤3，融合步骤2中改进的注意力机制模块和残差块形成第一阶段的神经网络模型，通过模型训练来提取脑肿瘤影像的数据特征，采用超列方法将提取的特征像素位置往后的所有对应位置的卷积网络单元激活值组成一列向量进行特征融合得到的组合特征；步骤4，使用不降维的局部跨信道交互策略和自适应选择一维卷积核大小的高效通道注意力机制替换EfficientNet神经网络结构的SE通道注意力模块；优化模型的权重层，添加全局平均池化层、2个具有PFLU激活函数的全连接层和丢弃层序列形成第二阶段的神经网络模型；步骤5，将步骤3中得到的组合特征作为步骤4神经网络模型的输入，通过K折交叉验证进行模型的训练和验证，使用F1分数评价方法进行最优模型权重参数的选择。
[0006]进一步改进在于，所述步骤2中，根据以下步骤构建改进的注意力机制模块：步骤2.1：空间注意力模块是将通道注意力特征图在空间维度上进行压缩，得到一个一维矢量后再进行平均值池化或者最大值池化操作；平均池化和最大池化可用来聚合特征映射的空间信息，其计算公式如下所述：，其中是激活函数，是两层神经网络，是输入，是平均池化，是最大池化；步骤2.2：采用特征金字塔结构的卷积层替换空间注意力模块的最大池化层和平均池化层，通过不同大小的卷积核获取到不同尺寸感受野的特征，卷积核越大，提取的全局特征越多，卷积核越小，提取的局部特征越多，特征金字塔空间注意力模块计算公式如下述所示：，其中是激活函数，是卷积神经网络，F是输入。
[0007]进一步改进在于，所述步骤S3中，根据以下方法使用超列方法进行特征组合：由于特征会逐渐弱化，导致不同阶段的特征图呈现出较大的特征差异，采用超列技术将各特征图关联起来，针对输入的某一像素点i，将特征提取过程中此像素在各特征图中对应的位置串联起来，组合成一个特征向量f，该特征向量为输入的某一像素点位置i对应的超列特征，其形成公式如下：，其中：表示对k个特征图进行累加运算；为基于像素点和特征图位置的因子；表示第k个特征图。
[0008]进一步改进在于，所述步骤S4中，根据以下步骤使用不降维的局部跨信道交互策略和自适应选择一维卷积核大小的高效通道注意力机制替换SE通道注意力模块：步骤4.1：不降维的局部跨信道交互策略和自适应选择一维卷积核大小的高效通道注意力机制由两部分组成，第一部分是不降低通道维数来进行跨通道信息交互，其计算
公式如下：，其中是激活函数，是权重，是权重的k个相邻频道的集合；该公式避免了不同组的完全独立，还可以让所有的通道共享权重信息；步骤4.2：高效通道注意力机制的第二部分内容是使得该模块可以通过自适应选择卷积核大小为K的一维卷积来实现通道之间的信息交互，其实现公式如下所述：，其中是激活函数，C1D代表一维卷积，K为卷积核大小。由于ECA模块只涉及K个参数信息并且当k=3时，可以实现与SE
‑
Var3同样的效果却有更低的模型复杂度；因此，使用ECA替代原本的SE提高了模型效率。
[0009]进一步改进在于，所述步骤S4中优化形成的第二阶段的神经网络模型包括全局平均池化层C1，全连接层序列D2，全连接层序列D3，全连接层序列D4，全连接层序列D5和输出层；全局平均池化层C1，结构参数2048，替代全连接层并降低特征图维数，减少参数数量、计算量，防止过拟合；全连接层序列D2，结构参数由2048降低到1000，连接C1层特征，包含归一化层和丢弃层，设置丢弃层丢弃率为0.3；全连接层序列D3，结构参数由1000降低到512，连接D2层神经元，包含归一化层、丢弃层和PFLU激活函数，设置丢弃层丢弃率为0.3；全连接层序列D4，结构参数由512降低到128，连接D3层神经元，包含归一化层、丢弃层和PFLU激活函数，设置丢弃层丢弃率为0.3；全连接层序列D5，结构参数由128降低到4，连接D4层神经元；输出层，设置4个神经元，与全连接层D5连接，对结果进行四分类。
[0010]一种基于特征金字塔网络结构和高效通道注意力机制的脑肿瘤分类检测系统，包括终端设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法，其特征在于，包括以下步骤：首先使用平滑处理方法实现脑肿瘤图像质量的增强，减少噪声的干扰和失真；再进行改进通道注意力机制，使用特征金字塔网络结构替代平均池化和最大池化并与残差块组成第一阶段神经网络模型；之后进行优化神经网络结构，使用高效通道注意力模块替换SE模块并添加全局平均池化层和具有PFLU激活函数的全连接层序列形成第二阶段神经网络模型；最后使用K折交叉验证训练模型并通过F1分数评价方法进行最优模型的选择。2.根据权利要求1所述的基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法，其特征在于，包括以下步骤：步骤1，首先进行图像预处理：采用高斯滤波对原图像进行平滑处理，以实现抑制功能像的噪声、提高信噪比、减少各图像噪声干扰和失真的目的；采用裁剪、翻转的数字图像变换方法，对所处理的图像进行空间转换，以使得感受野能更好的获取特征；步骤2，构建改进的注意力机制（CBAM）模块，采用特征金字塔结构的卷积层替换空间注意力模块的最大池化层和平均池化层，所采用的不同大小的卷积核被用于获取不同尺寸感受野的数字图像特征；步骤3，融合步骤2中改进的注意力机制模块和残差块形成第一阶段的神经网络模型，通过模型训练来提取脑肿瘤影像的数据特征，采用超列方法将提取的特征像素位置往后的所有对应位置的卷积网络单元激活值组成一列向量进行特征融合得到的组合特征；步骤4，使用不降维的局部跨信道交互策略和自适应选择一维卷积核大小的高效通道注意力机制替换EfficientNet神经网络结构的SE通道注意力模块；优化模型的权重层，添加全局平均池化层、2个具有PFLU激活函数的全连接层和丢弃层序列形成第二阶段的神经网络模型；步骤5，将步骤3中得到的组合特征作为步骤4神经网络模型的输入，通过K折交叉验证进行模型的训练和验证，使用F1分数评价方法进行最优模型权重参数的选择。3.根据权利要求2所述的基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法，其特征在于，所述步骤2中，根据以下步骤构建改进的注意力机制模块：步骤2.1：空间注意力模块是将通道注意力特征图在空间维度上进行压缩，得到一个一维矢量后再进行平均值池化或者最大值池化操作；平均池化和最大池化可用来聚合特征映射的空间信息，其计算公式如下所述：，其中是激活函数，是两层神经网络，是输入，是平均池化，是最大池化；步骤2.2：采用特征金字塔结构的卷积层替换空间注意力模块的最大池化层和平均池化层，通过不同大小的卷积核获取到不同尺寸感受野的特征，卷积核越大，提取的全局特征越多，卷积核越小，提取的局部特征越多，特征金字塔空间注意力模块计算公式如下述所示：，
其中是激活函数，是卷积神经网络，F是输入。4.根据权利要求2所述的基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法，其特征在于，所述步骤S3中，根据以下方法使用超列方法进行特征组合：由于特征会逐渐弱化，导致不同阶段的特征图呈现出较大的特征差异，采用超列技术将各...

【专利技术属性】
技术研发人员：华昕宇，祁云嵩，姜元昊，杨志祥，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：