一种基于改进制造技术

本发明专利技术属于脑部影像识别技术领域，尤其是涉及一种基于改进

【技术实现步骤摘要】
一种基于改进Unet++的脑部影像数据处理方法


[0001]本专利技术属于脑部影像识别
，尤其是涉及一种基于改进
Unet++
的脑部影像数据处理方法
。

技术介绍

[0002]脑卒中是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中
。
严重脑卒中可造成永久性神经损伤，急性期如果不及时诊断和治疗可造成严重的并发症
。
由于脑卒中发病危急
、
并发症风险大的特点，通过及时准确的放射学影像处理模型可以快速筛查出高危患者，更好地指导科室的治疗决策，同时也有助于医师为康复期患者选择更有针对性的康复训练项目
。
[0003]申请号为
CN202110674662.7
的中国专利公开了一种基于改进型
Unet
的
CT
图脑出血自动检测系统，采用改进的
Unet
网络对提取脑实质的脑部
CT
图像标记脑出血区域的位置；包括
RCSP
卷积模块
、CBL4
卷积模块
、
特征金字塔注意力机制模块
、
多尺度特征跳跃连接模块和输出模块
。
论文“3D U
‑
Net:Learning Dense Volumetric Segmentation from Sparse Annotation”针对
2D Unet
分割不连续丢失空间上下文信息的缺点，基于
2D U
‑
Net
提出新的
3D U
‑
net
方法，将
2D
部分全部换成
3D
操作，同时运用平滑的密集变形场，增强了网络的分割效果
。
[0004]上述传统方法存在的问题是：针对医学影像进行处理的
2D
‑
Unet
方法，往往将
3D MRI
体积分解成许多
2D
切片，再使用分割模型输出各切片的分割结果
。
传统二维卷积
Unet
模型忽略了医学影像数据的空间特征，影响最终结果
。
针对二维
Unet
网络存在的缺陷，出现了三维
Unet
网络，将作用于二维医学的
Unet
网络推广到三维图像
。
但三维
Unet
网络在进行图像处理时，虽然可以实现三维
MRI
图像脑组织的立体处理效果，但整个网络的学习参数众多，速度较慢，对小型数据集来说容易过拟合，饱受高计算资源需求的困扰
。

技术实现思路

[0005]本专利技术的目的是提供一种脑部影像数据处理方法，首先将脑部
MRI
的
3D
影像分为轴位面
(
横断面
)、
冠状面和矢状面三个
2D
面，建立
AM
‑
Unet++(attention module supplementarily
‑
Unet++)
网络，对大脑内的感兴趣区域进行特征提取，引入注意力机制分析，最后通过
3D
‑
CNN
融合网络进行信息融合，最终得到
3D
病灶分割结果
。
本专利技术既保留三维影像的空间上下文连贯性，也避免了
3D
模型运算成本高的问题
。
[0006]本专利技术的技术方案为：
[0007]一种基于改进
Unet++
的脑部影像数据处理方法，包括以下步骤：
[0008]S1、
制作训练数据：
[0009]将获取的原始
MRI
影像经过预处理和归一化后，将原始
3D
影像切分为三个
2D
影像序列，分别为轴位面图像
、
冠状面图像和矢状面图像；
[0010]S2、
构建脑部影像数据处理模型，包括改进的
Unet++
网络和
3D
融合网络：
[0011]在
Unet++
网络基础上增加注意力模块得到改进的
Unet++
网络，注意力模块的输入为编码器
x
i
‑1，0和解码器
x
i,4
‑
i
，
1≤i≤4
，注意力模块将两个输入拼接得到特征图
F
i
：
[0012]F
i
＝
<x
i
‑1，0，
x
i
，4‑
i
>
[0013]再对特征图
F
i
进行下采样，然后分别进行最大池化和平均池化，生成两个
2D
注意力图和
[0014][0015][0016]其中，
D(
·
)
表示下采样操作，
AvgPool(
·
)
和
MaxPool(
·
)
分别表示平均池化操作和最大池化操作；再利用一个标准的卷积层进行连接和卷积操作，得到拼接和特征学习后的二维注意力图，用
A(
·
)
表示注意门操作：
[0017][0018]其中，
σ
(
·
)
为
sigmoid
函数，
f(
·
)
函数为卷积操作；
[0019]各解码器结点
X
i,j
的特征映射堆栈计算公式如下：
[0020][0021]其中，
i
表示沿编码器索引下采样的第
i
层，
j
表示沿跳过连接索引密集块的第
j
个卷积层，
U(
·
)
表示上采样操作，
<a
，
b>
表示将
a,b
串联拼接起来；
[0022]构建
3D
融合网络，分别包括
3D
融合主网络
、3D
融合副网络和
3D
融合输出网络，其中
3D
融合主网络包括第一
3D
卷积层
、
第一
BN
归一化层和第一
Relu
激活函数层，其中第一
3D
卷积层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
Unet++
的脑部影像数据处理方法，其特征在于，包括以下步骤：
S1、
制作训练数据：将获取的原始
MRI
影像经过预处理和归一化后，将原始
3D
影像切分为三个
2D
影像序列，分别为轴位面图像
、
冠状面图像和矢状面图像；
S2、
构建脑部影像数据处理模型，包括改进的
Unet++
网络和
3D
融合网络：在
Unet++
网络基础上增加注意力模块得到改进的
Unet++
网络，注意力模块的输入为编码器
x
i
‑
1,0
和解码器
x
i,4
‑
i
，
1≤i≤4
，注意力模块将两个输入拼接得到特征图
F
i
：
F
i
＝
<x
i
‑
1,0
,x
i,4
‑
i
>
再对特征图
F
i
进行下采样，然后分别进行最大池化和平均池化，生成两个
2D
注意力图和和和其中，
D(
·
)
表示下采样操作，
AvgPool(
·
)
和
MaxPool(
·
)
分别表示平均池化操作和最大池化操作；再利用一个标准的卷积层进行连接和卷积操作，得到拼接和特征学习后的二维注意力图，用
A(
·
)
表示注意门操作：其中，
σ
(
·
)
为
sigmoid
函数，
f(
·
)
函数为卷积操作；各解码器结点
X
i,j
的特征映射堆栈计算公式如下：其中，
i
表示沿编码器索引下采样的第
i
层，
j
表示沿跳过连接索引密集块的第
j
个卷积层，
U(
·
)
表示上采样操作，
<a,b>
表示将
a,b
串联拼接起来；构建
3D
融合网络，分别包括
3D
融合主网络
、3D
融合副网络和

【专利技术属性】
技术研发人员：刘丹，刘勇国，李巧勤，张云，朱嘉静，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：