一种基于残差通道注意力的细粒度脑肿瘤分类方法技术

本发明专利技术公开了一种基于残差通道注意力的细粒度脑肿瘤分类方法

【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
图像进行像素级预处理
。
对数变换是将低灰度值映射为范围较宽的灰度值，同时把较宽的高灰度值映射为较窄的灰度值；使用对数变换能够扩展加强暗像素大小并且将更高灰度的值压低，从而达到增强图像中低灰度值的目的；除此之外对数变换还可以压缩像素值较大的动态范围，在傅里叶变换中能显示更多的频谱细节信息
。
[0006]为了在网络训练时将干扰降到最低，防止梯度爆炸或者消失，造成信息丢失损耗等等问题，在细粒度网络中引入残差网络和
SENet
通道注意力相结合的
SE
‑
ResNeXt
模块，也就是残差通道注意力模块进行网络训练
。

技术实现思路

[0007]本专利技术针对脑肿瘤图像分类任务，提出了一种基于残差通道注意力的细粒度脑肿瘤分类方法，本专利技术在细粒度方法的基础上，引入了残差通道注意力模块，首先通过残差通道注意力网络获取注意力图像，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，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；接着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；最后，获得特征矩阵，作为整个网络线性分类层的输入信息
。
[0008]本专利技术通过以下技术方案来实现上述目的：
[0009]基于残差通道注意力的细粒度脑肿瘤分类方法，包括以下步骤：
[0010]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；
[0011]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；
[0012]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；
[0013]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
。
[0014]作为步骤一中经过对数变换处理图像数据，其说明如下：
[0015]根据脑肿瘤
MRI
图像的特点，为了区分肿瘤的类别，需要从脑肿瘤图像中获得局部区域更多的细节信息，而图像中低频区域所含的特征信息较丰富，因此要将图像中低灰度值进行增强，扩展图像中暗像素的部分；最终，采用能增强低灰度值并且可以显示更很多频谱细节的对数变换进行脑肿瘤
MRI
图像数据的增强
。
如公式
(1)
所示，
img
是图片的源灰度值，经过归一化处理之后像素范围集中在
[0,1]，
output
是变换后输出的灰度值结果，
c
是比例变换常数，
c
的大小控制着输出灰度值的大小
。
[0016]output
＝
c
×
log(1+img) img∈[0,1]ꢀꢀꢀ⑴
[0017]我们在细粒度网络中引入残差注意力模块进行特征信息的获取，防止梯度爆炸或者消失，造成信息丢失损耗问题
。
附图说明
[0018]图1是本专利技术的双线性注意力池化信息融合模块
。
[0019]图2是本专利技术的残差通道注意力的细粒度脑肿瘤分类框架
。
具体实施方式
[0020]表1是本专利技术将脑肿瘤数据集经过对数变换处理后的结果与细粒度基础网络的对比结果
。
[0021]表2是本专利技术将残差通道注意力模块引入细粒度网络后与基础网络的对比结果
。
[0022]表3是本专利技术提出的经过对数变换处理后的数据同时结合引入的残差通道注意力模块网络与基础网络的对比结果
。
[0023]表1三种变换处理后的结果对比
(
％
)
[0024][0025]从表1数据综合分析考虑，网络需要通过图像预处理获得更多的图像特征信息并且图像的大部分信息是集中在低频部分，而对数变换能够扩展暗像素，增强低灰度值的细节信息，并且还能压缩像素动态范围，在傅里叶变换中显示更多的频谱信息，所以，预处理方式采用对数变换操作
。
[0026]表2引入不同的网络的结果对比
(
％
)
[0027][0028]从表2可以得出，在细粒度网络中引入残差注意力模块后，在准确率
、
敏感性
、
特异性和精确性四项指标中具有较大的优势：相比于加入
VGG、Xinception
或者
ResNet
等网络参与训练，在细粒度网络中引入
SENet
和
SEXt
模块对于准确率
、
敏感性
、
特异性和精确性四项指标的提升大有帮助；相比于基础网络，引入
SENet
模块，准确率提升
0.43
％
、
敏感性增加
0.58
％
、
特异性提高
1.16
％
、
精确性提高
0.43
％，平均每项指标增加
0.65
％；引入
SEXt
模块准确率提升
1.11
％
...

【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：