一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于NDF
‑
Unet++的脑卒中病灶分割方法


[0001]本专利技术属于医学图像处理领域，针对脑卒中分割易错检及漏检
、
精度偏低等问题，设计了一种基于
NDF
‑
Unet++
的脑卒中病灶分割方法，实现对脑卒中病灶的精准分割
。

技术介绍

[0002]卒中已成为人口死亡的主要原因之一，包括缺血性脑卒中和出血性脑卒中
。
它具有发病率高
、
致残率高
、
死亡率高和复发率高的“四高”特点
。
缺血性脑卒中的发病率高于出血性脑卒中，占脑卒中总数的
87%。
发生卒中后，每分钟大约有
190
万个脑细胞死亡，脑组织及其所支配的运动
、
语言
、
认知及情感等多个功能也将同步逐渐丧失
。
根据脑卒中发病时间可以细分为超急性期（
6h
以内），急性期（
6~24h
），亚急性期（
24h~2
周），还有超过2周的慢性期
。
超急性期属于最重要的治疗时期，称为黄金治疗时期，医生需要在卒中发作后的
4.5h
内快速定位并量化病灶以及时做出诊断，通过积极地溶栓或手术治疗，一般预后较好，不容易引发后遗症
。
因此，及时发现卒中的早期症状极其重要，越早发现，越早诊治，治疗和康复效果也就越好
。
[0003]人工智能（
AI
）的迅速发展，开展智慧医疗（
Wise Information Technology of med
，
WITMED
）已经成为医疗领域的热点
。AI
可以识别复杂问题并读取大型数据集，当它不断“学习”时，可以预测问题的可能结果
。
机器学习方法被用于计算机辅助诊断（
CAD
）应用中，从医学检测报告中收集的许多诊断样本中学习，并与专家的诊断一起支持医学专家预测和诊断未来的疾病
。
机器学习的使用有助于提高特定疾病诊断系统的可靠性和准确性等性能，因而变得流行起来，尤其是以深度学习（
Deep Learning,DL
）为主的神经网络在缺血性脑卒中病灶分割中的应用
。
各种模型频频而出，通过提取病灶和非病灶区的特征信息，从而实现病灶分割
。
[0004]基于
MRI
图像病灶分割的技术主要包括传统分割技术和基于深度学习的分割技术
。
医学图像分割的早期方法通常依赖于边缘检测
、
模板匹配技术
、
统计形状模型
、
活动轮廓和传统机器学习技术
。
这些方法在一定程度上取得了不错的效果，但由于特征表示的困难，图像分割仍然是计算机视觉领域中最具挑战性的课题之一
。
随着深度学习技术在医学图像分割中得到了广泛的应用，以端到端的方式训练的
CNN
比精心设计的特征可提供更好的结果，部分归因于
CNN
对局部信号表示的不变性，这鼓励了数据的抽象表示
。
但是目前的病灶分割技术仍面临着多个挑战，例如上采样
(Upsample)
和下采样
(Downsample)
可能会导致关键特征信息的丢失
、
难以精确捕捉病灶的位置特征
、
以及损失函数需要优化等问题
。
这些因素综合起来，都可能导致病灶分割精度不高
。

技术实现思路

[0005]为了解决现有技术的上述问题，本专利技术在
Unet++
中插入基于归一化的注意力机制
(NAM
，
Normalization Attention Module)
来降低不太显著的特征的权重；引入方向场
(DF
，
Direction Field)
模块学习病灶边界指向每个像素的方向场，利用像素间的方向关系加强
类间的差异性和类内的相似性；引入特征校正与融合
(FRF
，
Feature Rectification and Fusion) 模块对通过方向场模块的特征进行逐步的校正与融合，对
Unet++
网络输出的特征纠错，提升分割的精度，并得到最终的分割结果
。
[0006]所述技术方案如下：步骤
1. 数据集的获取：获取脑卒中
MRI
图像数据，来源于合作医院；步骤
2. 数据集的处理：将原始数据集格式
.nii.gz
处理为
png
格式的数据集并按照一定的顺序标签存放在相应的文件夹里面，以供后续分割网络使用，输入网络之前将处理好的数据集图像随机打散，并按照训练集：测试集：验证集为8：1：1进行划分；步骤
3. 改进
VGG
特征提取网络提取原始图像特征：将原始图像输入到
Unet++
中，经过改进的
VGG
骨干网络（
Backbone
）提取图像的有效特征；步骤
4. Unet++
分割框架中结合
NAM
注意力通道子模块：将
NAM
注意力结合到
Unet++
分割框架中的
Xi,0(i=1,2,3,4)
特征图之前，提升了
Unet++
的
VGG
骨干网络特征提取能力，更好的捕捉病灶的位置信息和空间信息，使得模型更准确地捕捉到感兴趣区域的目标，提升脑卒中分割精度，降低漏检的概率；步骤
5. Unet++
分割框架中引入
DF
模块：在
Unet++
分割框架网络输出特征经过
DF
模块学习病灶边界指向每个像素的方向场，利用像素间的方向关系加强类间的差异和类内的相似；步骤
6. Unet++
分割框架中引入
FRF
模块：在
Unet++
分割框架网络输出的特征经过
DF
模块之后，再引入
FRF
模块对通过方向场模块的特征进行逐步的校正与融合，对
Unet++
网络输出的特征纠错，提升分割的精度，并得到最终的分割结果
。
[0007]可选地，所述步骤4的具体操作过程如下：
S1
）为了使注意力模块能够捕捉不太显著的特征，采用了
CBAM
的模块集成，通道注意力子模块，使用来自批处理归一化
(BN)
的比例因子
(Ioffe and Szegedy)
，表达式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
NDF
‑
Unet++
的脑卒中病灶分割方法，其特征在于，包括以下步骤：
S1:
数据集的获取：获取脑卒
MRI
图像的数据集，本发明的实验采用合作医院脑卒中分割数据集；
S2:
数据集的处理：本发明使用的数据集原始格式为
.nii.gz
，由于网络输入需要的是
2D
的图片，因此首先要对原始数据集进行切片操作，按照规范的标签序号将数据集处理为
png
格式以供分割网络读取，最后将处理后的数据随机打散，并按照训练集：测试集：验证集为8：1：1进行划分；
S3:
用
VGG
网络代替原始编码器的特征提取网络提取图像特征：将处理好的图像输入到
Unet++
网络中，经过改进
VGG
骨干网络提取图像的有效特征；
S4: Unet++
分割框架中结合
NAM
注意力机制：在
Unet++
分割框架的
X
i,0
(i=1,2,3,4)
特征图之前引入
NAM
注意力机制，加强骨干网络的特征提取能力，捕捉病灶的位置信息；
S5: Unet++
分割框架中结合
DF
模块：在
Unet++
分割框架中得到的特征图
X
0,4
经过方向场（
DF
）模块，学习病灶边界指向每个像素的方向场，通过简单而有效的利用像素间方向关系的方法，它可以同时加强类间的差异性和类内的相似性；
S6: Unet++
分割框架中结合
FRF
模块：在
Unet++
分割框架中得到的特征图
X
0,4
经过方向场（
DF
）模块后，基于学习到的方向场，再经过一种特征校正与融合
(FRF)
模块，利用中心区域的特征逐步校正初始分割特征图中的错误，对原始分割特征进行改进，得到最终分割结果
。2.
根据权利要求1所述的一种基于
NDF
‑
Unet++
的脑卒中分割方法，其特征在于，所述步骤
S4
的具体过程如下：
S1
）为了使注意力模块能够捕捉不太显著的特征，采用了
CBAM
的模块集成，通道注意力子模块，使用来自批处理归一化
(BN)
的比例因子
(Ioffe and Szegedy)
，表达式如下所示：，其中，和分别是小批次的均值和标准差，和是可训练的仿射变换参数
(
尺度和位移
)
；
S2) NAM
中通道注意力子模块：给定输入，首先经过一组不同尺度大小的批量归一化
(BN)
层，得到的权重与一组预先设置的权重加权，再通过
sigmoid
函数输出最终的特征图；
S3) 通道注意力子模块的输出特征可以用如下表达式表示：，其中为权重，是缩放因子；
S4) 为了抑制不太显著的权重，在损失函数中添加正则化项，损失函数可以表示为：，式中是正则化，即；是惩罚稀疏，平衡；是正常的损失函数
。3.
根据权利要求1和权利要求2所述方法，其特征在于，所述算法在
Unet++
分割框架的
X
i,0
(i=1,2,3,4)
特征图之前引入
NAM
注意力通道子模块，以精准捕捉不明显的特征
。
4.
根...

【专利技术属性】
技术研发人员：李亚洲，李阳，周妍，朱江，王文东，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：