基于DenseNet网络结合注意力机制医学图像异常检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于DenseNet网络结合注意力机制医学图像异常检测方法及装置，涉及图像处理的技术领域，所述方法包括如下步骤：获取数据集，数据集划分出训练集，构建第一DenseNet网络，利用测试集对第一DenseNet网络进行训练以获取第二DenseNet网络；将注意力机制模块引入第二DenseNet网络，以获取DenseNet

【技术实现步骤摘要】
基于DenseNet网络结合注意力机制医学图像异常检测方法及装置


[0001]本专利技术涉及医学图像处理的
，尤其是涉及一种基于DenseNet网络结合注意力机制医学图像异常检测方法及装置。

技术介绍

[0002]近年来，医学图像采集技术越来越便捷，从采集到成像处理极大的缩短了时间，并且能够直接在第一时间呈现在医生的电脑系统中，这同样使得人工智能识别网络能够迅速的识别并检测出异常图像。随着人工智能的不断发展，图像识别网络从单层感知器逐渐发展成为深层卷积网络，如Resnet网络、VGG网络、Densenet网络、Alex网络等，为医学图像检测识别带来了极大的发展。
[0003]目前在深层卷积网络在医学图像检测识别领域仍发挥着优势，但是医学图像不同于普通的彩色图像，多为单通道的黑白图像，并且数据样本量较小，正负样本往往不平衡，难以人工生成，同时噪声较大，作为关键病灶的特征信息占比较小。医学图像的分析处理关系着病人是生命健康，因现在的医学图像检测网络必须克服医学图像的难点，能够在不平衡的样本量下更加精准的提取关键信息。
[0004]综上所述，现有技术中深层卷积网络在医学图像检测识别中，数据样本量较小，正负样本往往不平衡导致的难以人工生成，噪声大，关键病灶的特征信息的占比低的技术问题。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于DenseNet网络结合注意力机制医学图像异常检测方法及装置，以缓解现有技术中样本量较小，正负样本往往不平衡导致的难以人工生成的技术问题，同时减小了噪声，提高了关键病灶的特征信息的占比。
[0006]第一方面，本专利技术提供了一种基于DenseNet网络结合注意力机制医学图像异常检测方法，具体包括如下步骤：
[0007]S1：获取数据集，所述数据集划分出训练集；
[0008]S2：构建第一DenseNet网络，利用所述测试集对所述第一DenseNet网络进行训练以获取第二DenseNet网络；
[0009]S3：将注意力机制模块引入所述第二DenseNet网络，以获取DenseNet
‑
注意力机制网络；
[0010]S4：基于所述训练集对所述DenseNet
‑
注意力机制网络进行训练。
[0011]优选的，所述数据集划分出测试集，利用所述测试集对所述DenseNet
‑
注意力机制网络进行测试。
[0012]优选的，所述训练集包括图像文本及其对应的文本标签；
[0013]所述训练集的图像文本转换成可读取的图像矩阵，所述图像矩阵转换成张量并输
入至所述第一DenseNet网络和/或所述DenseNet
‑
注意力机制网络中。
[0014]优选的，所述测试集包括图像文本及其对应的文本标签；
[0015]所述测试集的图像文本转换成可读取的图像矩阵，所述图像矩阵转换成张量并输入至所述DenseNet
‑
注意力机制网络中。
[0016]优选的，所述第一DenseNet网络具体包括初始卷积层、第一稠密残差块、第一过渡层、第二稠密残差块、第二过渡层、第三稠密残差块、第三过渡层、第四稠密残差块、池化层：
[0017]第一稠密残差块特征输入和特征输出尺寸为56，包含6个卷积块，每个卷积块由2个卷积层构成；
[0018]第一过渡层的特征输入尺寸为56，特征输出尺寸为28，包含一个卷积层和平均池化层；
[0019]第二稠密残差块特征输入和特征输出尺寸为28，包含12个卷积块，每个卷积块由2个卷积层构成；
[0020]第二过渡层的特征输入尺寸为28，特征输出尺寸为14，包含一个卷积层和平均池化层；
[0021]第三稠密残差块特征输入和特征输出尺寸为14，包含24个卷积块，每个卷积块由2个卷积层构成；
[0022]第三过渡层的特征输入尺寸为14，特征输出尺寸为7，包含一个卷积层和平均池化层；
[0023]第四稠密残差块特征输入和特征输出尺寸为7，包含16个卷积块，每个卷积块由2个卷积层构成。
[0024]优选的，所述将注意力机制模块引入所述第二DenseNet网络以获取DenseNet
‑
注意力机制网络的步骤包括：
[0025]第一DenseNet网络第四个稠密残差块之后引入注意力机制模块以构成DenseNet
‑
注意力机制网络。
[0026]优选的，所述注意力机制模块为：
[0027]f＝δ(Conv([z
h
，z
w
]))；
[0028](f
h
，f
w
)＝Split(f)；
[0029]g
h
＝σ(Conv(f
h
)；
[0030]g
w
＝σ(Conv(f
w
)；
[0031]z
h
∈R
C
×1×
H
‑
所述数据集特征经过Densenet网络的四个稠密残差块和三个过渡层交替计算之后的特征图，并沿水平坐标和对每个通道进行编码：
[0032]z
w
∈R
C
×
W
×1‑
所述数据集特征经过Densenet网络的四个稠密残差块和三个过渡层交替计算之后的特征图，并沿垂直坐标和对每个通道进行编码；
[0033]f∈R
C/r
×
W
×
H
‑
水平方向和垂直方向都对空间信息进行编码的中间特征图；
[0034]f
h
∈R
C/r
×
H
‑
所述中间特征图沿水平空间进行拆分的特征向量；
[0035]f
w
∈R
C/r
×
w
‑
所述中间特征图沿垂直空间进行拆分的特征向量；
[0036][.，.]是将两个特征向量沿空间维度拼接；
[0037]δ(
·
)
‑
ReLU激活函数；
[0038]σ(
·
)
‑
sigmoid激活函数；
[0039]g
h
∈R
C/r
×
H
——输出的水平方向注意力权重；
[0040]g
w
∈R
C/r
×
w
——输出的垂直方向注意力权重。
[0041]Conv
‑
卷积；
[0042]Spilt
‑
等效拆分；
[0043]优选的，所述构建第一DenseNet网络，利用所述测试集对所述第一DenseNet网络进行训练以获取第二D本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DenseNet网络结合注意力机制医学图像异常检测方法，其特征在于，具体包括如下步骤：S1：获取数据集，所述数据集划分出训练集；S2：构建第一DenseNet网络，利用所述测试集对所述第一DenseNet网络进行训练以获取第二DenseNet网络；S3：将注意力机制模块引入所述第二DenseNet网络，以获取DenseNet
‑
注意力机制网络；S4：基于所述训练集对所述DenseNet
‑
注意力机制网络进行训练。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：所述数据集划分出测试集，利用所述测试集对所述DenseNet
‑
注意力机制网络进行测试。3.根据权利要求1所述的方法，其特征在于，所述训练集包括图像文本及其对应的文本标签；所述训练集的图像文本转换成可读取的图像矩阵，所述图像矩阵转换成张量并输入至所述第一DenseNet网络和/或所述DenseNet
‑
注意力机制网络中。4.根据权利要求2所述的方法，其特征在于，所述测试集包括图像文本及其对应的文本标签；所述测试集的图像文本转换成可读取的图像矩阵，所述图像矩阵转换成张量并输入至所述DenseNet
‑
注意力机制网络中。5.根据权利要求1所述的方法，其特征在于，所述第一DenseNet网络具体包括初始卷积层、第一稠密残差块、第一过渡层、第二稠密残差块、第二过渡层、第三稠密残差块、第三过渡层、第四稠密残差块、池化层：第一稠密残差块特征输入和特征输出尺寸为56，包含6个卷积块，每个卷积块由2个卷积层构成；第一过渡层的特征输入尺寸为56，特征输出尺寸为28，包含一个卷积层和平均池化层；第二稠密残差块特征输入和特征输出尺寸为28，包含12个卷积块，每个卷积块由2个卷积层构成；第二过渡层的特征输入尺寸为28，特征输出尺寸为14，包含一个卷积层和平均池化层；第三稠密残差块特征输入和特征输出尺寸为14，包含24个卷积块，每个卷积块由2个卷积层构成；第三过渡层的特征输入尺寸为14，特征输出尺寸为7，包含一个卷积层和平均池化层；第四稠密残差块特征输入和特征输出尺寸为7，包含16个卷积块，每个卷积块由2个卷积层构成。6.根据权利要求5所述的方法，其特征在于，所述将注意力机制模块引入所述第二DenseNet网络以获取DenseNet
‑
注意力机制网络的步骤包括：第一DenseNet网络第四个稠密残差块之后引入注意力机制模块以构成DenseNet
‑
注意力机制网络。7.根据权利要求6所述的方法，其特征在于，所述注意力机制模块为：f＝δ(Conv([z
h
，z
w
]))；
(f
h
，f
w
)＝Split(f)；g
h
＝σ(Conv(f
h
)；g
w
＝σ(Conv(f
w
)；z
h
∈R
C
×1×
H
‑
所述数据集特征经过Densenet网络的四个稠密残差块和三个过渡层交替计算之后的特征图，并沿水平坐标和对每个通道进行编码；z
w
∈R
C
×
W
×1‑
所述数据集特征经过Densenet网络的四个稠密残差块和三个过渡层交替计算之后的特征图，并沿垂直坐标和对每个通道进行编码；f∈R
C/r
×
W
×
H
‑
水平方向和垂直方向都对空间信息进行编码的中间特征图；f
h
∈R
C/r
×
H
‑
所述中间特征图沿水平空间进行拆分的特征向量；f
w
∈R
C/r
×
w
‑
所述中间特征图沿垂直空间进行拆分的特征向量；[.，.]
‑
将两个特征向量沿空间维度拼接；δ(
·
)
‑
ReLU激活函数；σ(
·
)
‑
sigmoid激活函数；g
h
∈R
C/r
×
H
——输出的水平方向注意力权重；g
w
∈R
C/r
×
w
——输出的垂直方向注意力权重；Conv
‑
卷积；Spilt
‑
等效拆分。8.根据权利要求1所述的方...

【专利技术属性】
技术研发人员：沈丛，王馨悦，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：