【技术实现步骤摘要】
一种基于残差通道注意力的细粒度脑肿瘤分类方法
[0001]本专利技术设计了一种基于残差通道注意力的细粒度脑肿瘤分类方法,涉及计算机视觉图像分类
。
技术介绍
[0002]根据脑肿瘤
MRI
图像能够反应出大脑中软组织的形态和大小的特点,考虑利用脑肿瘤
MRI
图像信息之间的细微差异,研究隶属于同一大类下的不同子类;换言之,从脑肿瘤
MRI
图像特征之间的极小差异出发,考虑采用计算机视觉图像分类领域中针对图像类别类间差异小的细粒度网络进行脑肿瘤分类研究探索
。
[0003]由于脑肿瘤发病率高低和每一类脑肿瘤占比不同,据医学教育网数据显示,胶质瘤是最多见的脑肿瘤,约占
1/3
以上,其次,在原发性肿瘤中脑膜瘤和垂体的占比紧随其后,探讨胶质瘤
、
脑膜瘤
、
垂体瘤这三种脑肿瘤的分类技术
。
[0004]细粒度网络诞生初期,主要应用于鸟类,花草等等同一大类子类下的研究,利用细粒度网络在差异较小的图像特征分类上的优势,在增强数据的基础上,仅仅依赖脑肿瘤的类别标签和引入残差通道注意力来学习信息特征进行网络训练
。
[0005]为了获取更多的图像细节信息加大脑肿瘤
MRI
图像之间的局部差异,最重要的一点是要基于像素级的操作将低频部分的信息增强,以此获得更多的图像特征,所以,基于此选用图像空间域处理中的灰度变换的方式对脑肿瘤
MRI
图像进
【技术保护点】
【技术特征摘要】
1.
一种基于残差通道注意力的细粒度脑肿瘤分类方法,其特征在于包括以下步骤:步骤一:首先将经过对数变换处理图像数据,通过残差通道注意力模块获取注意力图像,同时采用注意力剪裁和注意力丢弃的方式增强脑肿瘤图像;步骤二:将原图和增强后的脑肿瘤图像全部作为输入信息进行训练学习;步骤三:利用双线性注意池化算法融合特征图像和注意力图像输出部分特征图,再使用池化操作对这些部分的特征图进行降维处理;步骤四:最后,将降维后的特征矩阵,作为整个网络细粒度线性分类层的输入信息
。2.
根据权利要求1中步骤一所述的残差通道注意力模块其特征在于在整个细粒度网络中,首先,采用残差通道注意力机制的方式获取特征图像,残差通道注意力模块基于
ResNeXt
和
SENet
各自的优势集合而成,
ResNeXt
拓扑结构子模块减少了超参数的数量,
SENet
将每个通道的权重重新标定获取更精准的关键区域的图像信息;然后,将每一幅特征图像经过1×1卷积操作提取为
32
份注意力图像,再将注意力图像采用注意力剪裁如公式
(1)
和注意力丢弃如公式
(2)
的方式使得注意力集中在更关键的区域;其中
θ
d
表示阈值,取值范围在
[0,1]
,
D
k
(i,j)
则是丢弃操作应该做标记的脑肿瘤特征区域;表示经过归一化处理的每个像素的值,当大于阈值
θ
d
时,
D
k
(i,j)
是0;当是其他数值时,
D
k
...
【专利技术属性】
技术研发人员:何小海,邓爽,陈洪刚,卿粼波,杜淑慧,滕奇志,吴小强,
申请(专利权)人:四川大学,
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。