【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
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。