【技术实现步骤摘要】
注意力机制下对CTP进行特征融合的AIS病灶预测方法
[0001]本专利技术涉及医学图像分割和计算机辅助医疗
，具体是注意力机制下对CTP进行特征融合的AIS病灶预测方法。
技术介绍
[0002]脑卒中是在全球范围内，致死和伤残的主要脑部疾病之一。从发病情况来看，脑卒中可分为两种类型，分别是缺血性脑卒中和出血性脑卒中，前者的发病率占比极高，约占脑卒中病例的75％至85％，并且伤害性和致死性极高。其爆发的源头往往是由于心源性栓塞、血栓栓塞引起的小血管闭塞以及脑部动脉血管堵塞，这些堵塞的形成，使得脑部局部组织无法通过血管得到足量的血液和氧气，最终使得该区域的脑组织因为缺氧而坏死。从发病时期来看，脑卒中可分为急性期、亚急性期和慢性期三大时期，其中急性缺血性脑卒中(Acute ischemic stroke，AIS)，由于发病快，有效治疗时间短，病情严重等原因，是我们研究的重中之重。
[0003]在临床医疗中，医生首先需要对病人的情况进行评估，然后根据评估情况确定治疗方案，评估流程越快，评估结果越准确，就越能选取更加适...
【技术保护点】
【技术特征摘要】
1.注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，包括步骤：S1、采集一定数量的AIS病人的多模态CTP和MRI图像；S2、将原始CTP序列转换为伪RGB图像，在转换前清除图像周边病人隐私信息，并将各项参数保存为单独图像，并对标签数据进行配准，之后再扩充原数据集，进行离线数据增强，获得训练集；S3、构建注意力机制下对CTP进行特征融合的AIS病灶预测模型；S4、将步骤S2中预处理后的训练集输入步骤S3构建的注意力机制下对CTP进行特征融合的AIS病灶预测模型中进行训练，用骰子和交叉熵混合损失函数进行反向传播更新网络参数，并通过自适应矩估计优化模型，得到训练好的注意力机制下对CTP进行特征融合的AIS病灶预测模型；S5、将待分割预测的急性缺血性脑卒中的多模态CTP图像送入到步骤S4所得到的训练好的注意力机制下对CTP进行特征融合的AIS病灶预测模型中进行分割，得到该数据的多模态CTP图像的分割预测结果。2.根据权利要求1所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，步骤S2中，原数据集的扩充方法包括平移、旋转、位移。3.根据权利要求1所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，步骤S3中，注意力机制下对CTP进行特征融合的AIS病灶预测模型包括4个编码器模块、2个WMHCA特征融合模块、2个解码器模块、1个分割预测模块和1个分割优化模块；4个编码器对应CTP的4种不同模态数据，编码器之后接WMHCA特征融合模块，特征融合模块需要将两个编码器的特征融合起来，并送入解码器；解码器通过上采样和跳跃连接，来逐步恢复细节信息；两个解码器结果输入分割预测模块，生成初步预测结果，并送入分割优化模块；分割优化模块输出通过优化后的最终预测结果。4.根据权利要求3所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，编码器模块的每个阶段皆由2个3
×
3卷积单元、1个1
×
1卷积单元和1个最大池化层单元组成；上一个阶段的输出端作为下一个阶段的输入端连接第一个3
×
3卷积单元的输入端，第一个3
×
3卷积单元的输出端连接第二个3
×
3卷积单元的输入端，第二个3
×
3卷积单元的输出端连接最大池化层单元的输入端，最大池化层单元的输出端连接1
×
1卷积单元的输入端，1
×
1卷积单元的输出端作为编码器模块的输出端；对于每个3
×
3卷积单元：所有层依次串联，3
×
3卷积的输入端形成3
×
3卷积单元的输入端，3
×
3卷积单元的输出端形成归一化层的输入端，批一化层的输出端形成ReLU激活函数的输入端，ReLU激活函数的输出端形成3
×
3卷积单元的输出端。5.根据权利要求3所述的注意力机制下对CTP进行特征融合的AIS病灶预测方法，其特征在于，WMHCA特征融合模块含有2个输入端和1个输出端，内部共3条支路，支路1、2的输入分别是WMHCA特征融合模块的两个输入端输入，支路3的输入是WMHCA特征融合模块的两个输入端输入的按像素相交结果；3条支路的输入连接1个1
×
1卷积，1
×
1卷积的输出连接unfold单元的输入，unfold单元的输出连接Flatten层的输入；支路1的Flat...
【专利技术属性】
技术研发人员：李林峰，陈善雄，李咏梅，刘嘉杨，廖其华，董肖霄，
申请(专利权)人：西南大学，
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。