本发明专利技术涉及一种加入注意力机制的轻量级三维脑肿瘤图像分割算法，包括下列步骤：第一步，对脑肿瘤图像数据集进行预处理，利用归一化对原始图像做去噪处理，同时利用旋转、随机裁剪等技术扩充脑肿瘤图像训练集；第二步，用Pytorch框架构建加入注意力机制的轻量级特征提取网络，该主体结构分为两部分：用于获取脑肿瘤初步分割结果的轻量级粗分割网络以及用于细化分割的级联注意力网络GAN，两部分集成在一起进行训练；第三步，测试算法模型。测试算法模型。测试算法模型。
【技术实现步骤摘要】
加入注意力机制的轻量级三维脑肿瘤图像分割算法
[0001]本专利技术属于医学图像分割领域，涉及一种加入注意力机制的轻量级三维脑肿瘤核磁共振 图像分割方法。
技术介绍
[0002]脑肿瘤是严重危害人类身体健康的恶性疾病之一，对人类神经系统的功能有破坏性的伤 害。近年来，由于生活环境的变化以及居民不良生活习惯等诱因导致我国脑肿瘤患者逐年增 加并逐渐年轻化。脑肿瘤患者及时诊断和治疗可有效的降低死亡率。因此，进行准确的病情 诊断，制定合理有效的手术治疗方案对脑肿瘤患者至关重要。在临床中，诊治医生通过MRI 成像技术可以很清晰的展现脑组织内的病灶影像，以此获取患者肿瘤的形状、大小、位置等 信息。然而，不同患者脑胶质瘤的形状、大小以及位置差异较大，且在MRI扫描成像过程中 会引入噪声，导致肿瘤病变区与正常组织区之间的边界比较模糊，手动勾勒脑肿瘤边界极为 依赖医生的临床经验，且容易受医生的主观因素影响，种种不可控因素导致人工分割脑肿瘤 区域是一件极为耗时、耗力的任务。且一旦出现误诊误判的情况则会耽误患者的最佳治疗时 间。因此，开发一种准确可靠的半自动或全自动的脑肿瘤分割算法，协助医生进行病症的诊 治，具有重要的临床价值。
[0003]近年来，随着计算机硬件技术和人工智能的快速发展，深度学习尤其是卷积神经网络 (Convolutional Neural Network，CNN)已广泛应用于图像分类、目标检测、图像语义分割等 相关领域。CNN通过多个卷积层、池化层和全连接层将图像于特征参数进行卷积，在不依赖 于人工的参与下，全自动地从训练样本中提取到更抽象、更深层次的物体的属性和特征。目 前，CNN已经成为脑肿瘤图像分割领域的主流技术手段。
[0004]虽然目前基于卷积神经网络的脑肿瘤图像分割算法已经取得了较好的研究结果和进展， 但是仍旧存在以下比较普遍的问题：(1)脑肿瘤样本数据较少。医院对就诊患者的影像数据 保密，导致现有可供CNN特征学习的脑肿瘤样本数据较少，在训练过程中容易出现过拟合， 导致模型的鲁棒性和泛化性较差；(2)脑肿瘤病变区域仅占整个脑部体积的一小部分，导致 用于脑肿瘤分割的数据集中存在严重的数据不平衡问题，给脑肿瘤各子区域的分割带来困难。 (3)三维卷积神经网络的参数量和计算量剧增，导致网络的计算效率低，且对硬件性能要求 高，无法将其广泛的应用于临床实践中。
技术实现思路
[0005]本专利技术针对目前脑肿瘤分割算法参数量大且分割精度不高的问题，提出一种加入注意力 机制的轻量级三维脑肿瘤图像分割算法。本专利技术的技术方案如下：
[0006]一种加入注意力机制的轻量级三维脑肿瘤图像分割算法，包括下列步骤：
[0007]第一步，脑肿瘤图像预处理，对BraTS2019数据集中的图像进行去噪处理，避免噪声对 分割结果的影响。同时使用图像扩充技术，如旋转、随机裁剪等，增加特征学习的样本数量， 避免网络特征学习过拟合。
[0008]第二步，使用Pytorch深度学习框架搭建本专利技术网络，并进行特征学习训练。该网络分成 粗分割和细化分割两部分：粗分割网络使用空洞分层解耦卷积模块替换U
‑
Net中普通卷积块， 细化分割采用注意力机制提升网络聚焦能力，方法如下：
[0009](1)粗分割网络：
[0010]网络整体遵循U
‑
Net的编
‑
解码结构，整体采用分层解耦卷积模块替换普通卷积块，以降 低网络的参数量和计算量；同时在三、四层编码路径加入空洞卷积提升网络的多尺度特征提 取能力；经过一系列编码和解码操作后，一次性提取到脑肿瘤三个子区域的分割结果图；
[0011](2)细分割网络进行细致分割：
[0012]以粗分割网络的输出作为输入，利用通道拆分将多类分割任务拆分成三个二分类任务， 分别获取三个子区域的分割图；同时加入注意力机制学习三个子区域的层次关系，以此设计 分割策略，利用前者分割结果指导后者的分割，进一步提升肿瘤核心区和增强区的分割精度；
[0013](3)采用数据后处理：
[0014]低级脑胶质瘤病例中没有增强肿瘤区，极容易受噪声干扰出现错误分割，因此本专利技术为 增强区域设置体素阈值，避免噪声干扰导致的预测错误，增强网络的鲁棒性；
[0015]第三步测试网络并保存最佳网络模型参数。
[0016]本专利技术将深度学习技术应用于医学图像的语义分割领域，针对现有的脑肿瘤分割方法存 在的显存占用高、分割速度慢等问题，提出一种空洞分割解耦卷积模块降低网络参数量和计 算量，并采用级联注意力模块对网络的初步分割结果进一步细化分割。本专利技术算法在保持较 高的分割精度的情况下显著降低了对硬件资源的消耗，为广泛的应用于临床实践中提供了可 能性。
附图说明
[0017]图1本专利技术完成网络结构图
[0018]图2分层解耦卷积的结构图
[0019]图3空洞分层解耦卷积的结构图
[0020]图4脑肿瘤三个分割子区域的层次关系图
[0021]图5级联注意力网络的结构图
[0022]图6注意力机制
[0023]图7分割性能对比箱形图
[0024]图8分割结果对比可视化图
具体实施方式
[0025]第一步，图像预处理
[0026]本专利技术实验采用BraTS 2019比赛官方公布的脑肿瘤数据库，该库中训练集包含225个 HGG患者病例样本和75个LGG患者病例样本，每个样本包含4种MRI模态(T1，T1c，T2， Flair)和真值标签图；验证集中包含125个无标签的病例样本，每个样本中仅包含4种MRI 模态图。所有的MRI图像尺寸均为240
×
240
×
155。由于GPU内存的限制，将输入图像裁剪 成
大小为128
×
128
×
128的图像块。另外，为防止网络训练过拟合，使用以下数据增强技术扩 充训练集：(1)以0.5的概率随机在轴向、冠状、失状等方向镜像翻转；(2)在(
‑
10
°‑
10
°
)范 围内随机旋转。预处理后的图像进行模态融合，以4通道的形式送入网络进行特征学习。
[0027]第二步，利用Pytorch深度学习框架构建改进型U
‑
Net网络。本专利技术的改进型U
‑
Net网络 分为两部分：用于一次性分割三个脑肿瘤子区域的粗分割网络模块和用于对脑肿瘤细化分割 的级联注意力模块，下面对本专利技术的网络做详细介绍：
[0028](1)整体网络结构
[0029]本专利技术整体遵循U
‑
Net的网络构造，分为编码和解码两部分。如图1所示。虚线左侧为 下采样编码机制，右侧为上采样解码机制。脑肿瘤4种模态的MRI图像在输入网络前被整合 到一起，形成4通道的输入数据送入网络，首先使用步长为1的3
×3×
3卷积核对多模态融合 数据进行初步的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.加入注意力机制的轻量级三维脑肿瘤图像分割算法，包括下列步骤：第一步，脑肿瘤图像预处理，对BraTS2019数据集中的图像使用归一化进行去噪处理，避免噪声对分割结果的影响，同时使用图像扩充技术，如旋转、随机裁剪等，增加特征学习的样本数量，避免网络特征学习过拟合；第二步，使用Pytorch深度学习框架搭建本发明网络，并进行特征学习训练，该网络分成粗分割和细化分割两部分：粗分割网络使用空洞分层解耦卷积模块替换U
‑
Net中普通卷积块，细化分割采用注意力机制提升网络聚焦能力，方法如下：(1)粗分割网络：网络整体遵循U
‑
Net的编
‑
解码结构，整体采用分层解耦卷积模块替换普通卷积块，以降低网络的参数量和计算量，同时在三、四...
【专利技术属性】
技术研发人员：霍国强，李锵，关欣，
申请(专利权)人：天津大学，
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。