【技术实现步骤摘要】
面向胶质瘤多任务一体化网络的改进粒子群参数优化方法
[0001]本专利技术涉及医学图像处理
,具体地,涉及一种面向胶质瘤多任务一体化网络的改进粒子群参数优化方法。
技术介绍
[0002]脑胶质瘤是中枢神经系统中最常见的原发性脑肿瘤,在组织学上表现出神经胶质细胞的特征,占主要脑肿瘤疾病的约45%。高级别脑胶质瘤(High Grade Glioma,HGG)是致死率最高的脑胶质瘤,由世界卫生组织定义的III级和IV级脑胶质瘤组成,占所有级别脑胶质瘤的75%左右,严重威胁患者的生命健康。目前,临床治疗不能很有效地治愈高级别脑胶质瘤,同时考虑到高级别脑胶质瘤致死率高和难治疗的特点,若能使用计算机辅助诊断技术帮助医生准确进行早期诊断和预后,将对制定治疗方案、延长患者寿命、提高生活质量等方面有重要临床价值和现实意义。
[0003]脑肿瘤图像精准分割可以有效地帮助临床医生进行胶质瘤的早期诊断、治疗方案的制定、和治疗效果的跟踪随访等,同时也是相关研究中不可缺少的图像处理过程。由于脑胶质瘤生长具有浸润性,其病变能侵入到血管周围或神经纤维束间的空隙中,与未病变脑组织之间没有明显得边界。不同肿瘤组织结构的灰度差异大,不同患者肿瘤的大小、形状、位置和肿瘤类型都不尽相同。同一个胶质瘤患者在不同医院、不同类型的磁共振扫描下、不同型号的影像采集序列获得的影像差异非常大,这些现实因素都对脑肿瘤精准自动分割算法造成了较大的挑战。
[0004]此外,结合肿瘤形态学和基因分子学特征对患者进行个性化治疗得到越来越多的外科医生和学者的认 ...
【技术保护点】
【技术特征摘要】
1.一种面向胶质瘤多任务一体化网络的改进粒子群参数优化方法,其特征在于,包括:步骤1:构建脑胶质瘤患者数据集:步骤2:进行数据预处理,首先对原始数据进行数据增强操作,对原始图像进行裁剪、翻转、旋转操作生成新的图像并添加到数据集中,其次对图像进行标准化处理以增强图像目标区域的特征;步骤3:构建多任务学习框架,包括用于特征提取的编码器、实现分割的解码器、进行分类预测的分类器;步骤4:构建多任务损失函数,基于Dice系数的损失函数被用作分割损失,对于基因型的预测,Polyloss被用作分类损失;步骤5:通过改进的粒子群优化算法对多任务学习框架进行优化训练,得到损失函数中两个任务的最佳权重;步骤6:在网络中载入训练集,确定网络模型的参数,得到训练好的网络模型并保存,载入训练好的网络模型,输入测试集进行预测,得到结果并根据标签计算各评价指标值。2.根据权利要求1所述的面向胶质瘤多任务一体化网络的改进粒子群参数优化方法,其特征在于,所述步骤1包括:MRI图像预处理包括颅骨去除、配准到统一空间、重采样到1mm3的分辨率,获得分辨率统一、灰度分布相同的多模态MRI数据,预处理后的所有数据大小为240
×
240
×
240。3.根据权利要求1所述的面向胶质瘤多任务一体化网络的改进粒子群参数优化方法,其特征在于,所述步骤2包括:将所有原始图像在
‑
10到10度范围内进行随机旋转,以0.5的概率在轴向、冠状和矢状面上随机翻转,图像随机裁剪到128
×
128
×
128的体素大小来扩充数据集I
data
,标签L
mask
也进行相同的数据增强操作;对所有图像进行标准化处理,公式如下:其中,μ为图像的均值,x表示图像矩阵,σ和N分别表示图像的标准差和图像体素数量。4.根据权利要求1所述的面向胶质瘤多任务一体化网络的改进粒子群参数优化方法,其特征在于,所述步骤3包括:给定MRI扫描输入X∈R
C
×
H
×
W
×
D
,空间分辨率为H
×
W,深度维度为D,通道数为C,利用3D CNN生成捕捉空间和深度信息的特征图,然后利用Transformer编码器对全局空间中的长距离依赖性进行建模;在实现胶质瘤分割任务的分支中,为减少编码特征和解码特征间的语义差异,用通道交叉Transformer模型CCT和通道交叉注意力模块CCA来代替普通U
‑
net网络中的跳跃连接,编码部分的多尺度特征通过CCT模块进行交叉融合,对于编码部分的4层输出E
i
,首先对特征进行token化,将特征变形为块大小的序列,使得这些块在4种尺度下映射到编码特征的相同区域,然后将token输入到多头交叉注意力模块和具有残差结构的多层感知机MLP中,以编码通道关系和依赖;将第i级Transformer的输出O
i
和第i级解码特征D
i
作为CCA模块的输入,并通过全局平
均池化操作进行空间压缩,之后对通道依赖进行编码,嵌入全局空间信息到通道注意力图中,最终根据每个通道的重要性重新激活O
i
得到再将与第i级解码器的上采样特征进行拼接融合,之后通过反卷积操作逐步恢复图像的分辨率,产生高分辨率的分割结果;在实现基因预测任务的分支中,使用全局平均池化和全局最大池化将编码部分获取的最后两级特征变换到每个通道中的相同尺寸,并加入临床数据通过级联进行融合,然后输入到三个全连接层中,最后由Softmax函数输出基因型的预测概率,实现基因型预测。5.根据权利要求1所述的面向胶质瘤多任务一体化网络的改进粒子群参数优化方法,其特征在于,所述用于特征提取的编码器包括:采用一系列卷积和Transformer操作从输入中提取全局语义特征,输入先进行3
×3×
3的初始卷积操作,产生具有16个通道的特征图,接着通过3次下采样操作来捕获空间和深度特征表示,下采样操作通过步长为2的3
×3×
3的卷积来实现,每一次下采样操作后,输出的通道数量翻一倍,大小变为原来的一半,编码后的低分辨特征表示为通道数量翻一倍,大小变为原来的一半,编码后的低分辨特征表示为为确保每个体素的全面表示,使用线性投影将通道维度从128增加到512,并把空间维度和深度维度扩展成一维,得到大小的特征图f;为了对位置信息进行编码,引入可学习的位置嵌入,并通过与特征图f融合,得到如下的特征嵌入:z0=f+PE=W
×
F+PE其中,W为线性投影操作,PE∈R
d
×
N
为位置嵌入,z0∈R
d
×
N
为特征嵌入,之后z0被送到L层堆叠的Transformer中;每一层Transformer层由一个多头注意力MHA和一个前馈网络FFN组成,对于第l层,自注意力的输入是根据z
l
‑1计算的三元组(Q,K,V):Q=z
l
‑1W
Q
,K=z
l
‑1W
K
,V=z
l
‑1W
V
其中,W
Q
,W
K
,W
V
∈R
d
×
d
是三个线性投影层的可学习参数,d是(Q,K,V)的维数;自注意力计算如下:MHA是Transformer层重要的组成部分,允许模型同时关注来自不同位置的不同子空间的表示信息,通过将Transformer层的输入分成n个独立部分,并行处理每个部分,然后使用线性投影对级联结果进行投影,MHA操作表示如下:MHA(z
l
‑1)=Concat(SA1(z
l
‑1),...,SA
n
(z
l
‑1))W
O
其中,W
O
是线性投影层的可学习参数,Concat()是连接操作;然后,MHA的输出送入FFN模块得到第l个Transformer层的输出,第l个Transformer层的输出计算为:z
′
l
=MHA(LN(z
l
‑1))+z
l
‑1z
l
=FFN(LN(z
′
l
))+z
′
l
LN(*)表示层归一化操作,z
l
表示第l层的输出,l∈[1,2,...,L];通道交叉融合模块代替普通的跳跃连接:通道交叉融合模块由通道交叉Transformer模型CCT和通道交叉注意模块CCA组成,通道交叉Transformer用于编码部分特征转换,先将
编码部分的各级特征变形为序列进行标记化,再将各层的标记T
i
进行级联,得到键和值T
∑
=Concat(T1,T2,T3,T4),三个标记T
i
作为查询和一个级联的Token作为键和值,分别得到:Q
i
=T
i
W
Qi
K=T
∑
W
K
V=T
∑
W
V
其中,W
Qi
、W
K
、W
V
是不同输入的权重,i=1,2,3,4;通过交叉注意力机制对V进行加权:其中,φ(
·
)表示正则化操作,σ(
·
)表示softmax函数,M
i
为相似矩阵;得到多头交叉注意后的输出MCA
i
:其中,N为头数;通过MLP和残差操作后,得到如下输出:O
i
=MCA
i
+MLP(Q
i
+MCA
i
)第L层的四个输出O1、O2、O3和O4通过上采样和卷积操作进行重建,并与解码部分特征串联;通道交叉注意模块融合多尺度特征和解码阶段的特征,以解决语义层不一致的问题,将第i级Transformer层输出O
i
∈R
C
×
H
×
W
和第i级解码特征D
i
∈R
C
×
H
×
W
作为该模块的输入,并通过全局平均池化进行空间压缩,得到G(X),并通过该操作嵌入全局空间信息并产生注意力标签:M
i
=L1·
...
【专利技术属性】
技术研发人员:耿道颖,余荔恒,于泽宽,朱静逸,陈卫强,李强,
申请(专利权)人:粤港澳大湾区精准医学研究院广州,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。