【技术实现步骤摘要】
一种脑图像处理方法、设备和存储介质
[0001]本专利技术涉及图像处理
，具体是涉及一种脑图像处理方法、设备和存储介质。
技术介绍
[0002]基于对人体脑图像的分析结果可以有效辅助医生开展脑疾病相关研究工作，比如阿尔茨海默病(Alzheimer
’
s disease，AD)是一种起病隐匿的进行性发展的神经系统退行性疾病，具有不可逆性。AD是导致老年人痴呆症的主要原因，常发生于65岁以上老年人口，对老年人身心健康造成了严重阻碍。由于在AD早期患者的普通脑图像中难以定位出病灶区域，而采用结构磁共振成像(sMRI)和正电子发射计算机断层扫描(PET)可以展示出由脑萎缩引起的形态变化，在AD疾病识别中发挥重要作用，现有技术常采用卷积神经网络(CNN)以及Transformer神经网络去处理AD这类患者的脑图像，但是CNN缺乏对全局信息进行建模的能力(即缺少对脑图像全局特征提取的能力)，Transformer缺乏对局部不变性的建模(即缺乏对脑图像局部特征提取的能力)。从上述分析可知，现有技术难以实现对全局特征...
【技术保护点】
【技术特征摘要】
1.一种脑图像处理方法，其特征在于，包括：对原始脑图像应用残差网络结构，得到所述原始脑图像的若干尺度所对应的初始特征图；对若干尺度所对应的初始特征图应用卷积算法，得到所述卷积算法输出的每一个尺度的所述初始特征图的特征，记为个性特征图；对各个尺度的所述个性特征图进行融合，得到共性特征图；对所述共性特征图和各个尺度的所述个性特征图应用动态融合注意力算法，得到所述共性特征图的各个通道信息融合之后的特征图，记为各个尺度的融合特征图；依据各个尺度的所述融合特征图，得到针对所述原始脑图像的处理结果，所述处理结果用于预测所述原始脑图像所对应的患者脑部病变程度。2.如权利要求1所述的脑图像处理方法，其特征在于，所述对原始脑图像应用残差网络结构，得到所述原始脑图像的若干尺度所对应的初始特征图，包括：依据所述原始脑图像，得到所述原始脑图像中的磁共振原始图像和正电子发射断层扫描原始图像；对所述磁共振原始图像和所述正电子发射断层扫描原始图像分别应用所述残差网络结构，得到所述残差网络结构中的各个残差层输出的所述磁共振原始图像的各个尺度的特征图和所述正电子发射断层扫描原始图像的各个尺度的特征图；拼接所述磁共振原始图像的各个尺度的特征图和所述正电子发射断层扫描原始图像的各个尺度的特征图，得到所初始特征图。3.如权利要求1所述的脑图像处理方法，其特征在于，所述残差网络结构的每一个残差层，包括：第一高效卷积模块，输入端用于输入图像；训练加速收敛模块，输入端与所述高效卷积模块的输出端连接，用于加速训练所述残差网络；第一分段函数模块，输入端与所述训练加速收敛模块的输出端练连接；第二高效卷积模块，输入端与所述第一分段函数模块的输出端连接；第二分段函数模块，输入端用于输入与所述第一高效卷积模块输入的相同图像，输入端与所述第二高效卷积模块的输出端连接，输出端与所述卷积算法的输入端连接。4.如权利要求1所述的脑图像处理方法，其特征在于，所述对若干尺度所对应的初始特征图应用卷积算法，得到所述卷积算法输出的每一个尺度的所述初始特征图的特征，记为个性特征图，包括：确定若干尺度所对应的初始特征图中的第一初始特征图、第二初始特征图、第三初始特征图，所述第一初始特征图的尺度、所述第二初始特征图尺度、所述第三初始特征图的尺度依次减小；确定构成所述卷积算法的第一卷积分支、第二卷积分支、第三卷积分支、第四卷积分支，所述第一卷积分支、所述第二卷积分支、所述第三卷积分支、所述第四卷积分支分别包括前卷积层和后卷积层，所述第一卷积分支的前卷积层的尺寸、所述第二卷积分支的前卷积层的尺寸、所述第三卷积分支的前卷积层的尺寸、所述第四卷积分支的前卷积层的尺寸依次增大，所述第一卷积分支的后卷积层的尺寸、所述第二卷积分支的后卷积层的尺寸、所
述第三卷积分支的后卷积层的尺寸、所述第四卷积分支的后卷积层的尺寸相同；对所述第三初始特征图分别应用所述第一卷积分支和所述第二卷积分支，并拼接所述第一卷积分支输出的特征图和所述第二卷积分支输出的特征图，得到所述第三初始特征图的个性特征图；拼接所述第二初始特征图和上采样之后的所述第三初始特征图，得到所述第二初始特征图所对应的拼接特征图；对所述第二初始特征图所对应的拼接特征图分别应用所...
【专利技术属性】
技术研发人员：汪天富，邱梓锋，雷柏英，杨鹏，宋雪刚，
申请(专利权)人：深圳大学，
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。