【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 ...
【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...
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。