【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
。
[000 ...
【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:
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。