【技术实现步骤摘要】
本申请属于深度学习智能识别，尤其涉及一种基于自导向注意机制多任务分割网络金属植入物识别方法、装置、设备及计算机可读存储介质。
技术介绍
1、目前，相关技术中识别金属植入物的方法是阈值分割的方式，但是该方法中预先设定的阈值并不准确，导致金属植入物识别结果不准确。
2、因此，如何提高金属植入物识别结果的准确性是本领域技术人员亟需解决的技术问题。
技术实现思路
1、本申请实施例提供一种基于自导向注意机制多任务分割网络金属植入物识别方法、装置、设备及计算机可读存储介质，能够提高金属植入物识别结果的准确性。
2、第一方面，本申请实施例提供一种基于自导向注意机制多任务分割网络金属植入物识别方法，包括：
3、获取ct医学图像；
4、将ct医学图像的dicom格式转换为png格式，得到目标医学图像；
5、将目标医学图像输入预设的自导向注意机制多任务分割网络模型中，确定骨骼区域和金属植入物区域。
6、可选的，将目标医学图像输入预设的自导向注意机制多任务分割网络模型中，确定骨骼区域和金属植入物区域，包括：
7、将ct医学图像输入预先训练好的resnet34中，提取4个不同层次的特征图；
8、通过线性插值将所有的特征图上采样到最大的一个特征尺度，使得4个特征图具有相同的特征尺度；
9、将4个特征图进行融合，经过一个卷积处理，再分别与每一个特征进行融合输出；
10、将每个融合输出结果分别
11、可选的，自导向注意机制多任务分割网络模型中的自导向注意机制网络，包括：
12、利用两个注意机制网络分别提取特征图；
13、将两个特征图进行聚合，得到注意力特征图。
14、可选的，注意机制网络，包括：
15、位置注意力机制，用于捕获长距离依赖，解决局部感受野；
16、通道注意力机制，用于捕获通道间存在的依赖关系，增强特定的语义特征表示。
17、可选的，还包括：
18、计算金属植入物损失函数；
19、计算骨骼损失函数；
20、基于金属植入物损失函数、骨骼损失函数，确定最终损失函数。
21、可选的，还包括：
22、获取ct医学图像数据集；
23、标注ct医学图像数据集中骨骼区域和金属植入物区域，并将骨骼区域和金属植入物区域确定为分割mask；
24、将每个ct医学图像及其对应的分割mask的图像格式均转换为png格式；
25、将所有转换为png格式的ct医学图像及其对应的分割mask，按照预设比例划分为训练集、验证集和测试集。
26、可选的，自导向注意机制多任务分割网络模型的模型训练过程，包括：
27、在模型训练过程中，设置训练的batch_size为64；
28、设置初始化学习率为1e-4，附加学习率衰减策略，每迭代5000次，学习率衰减为上一次学习率的0.9；
29、设置优化器为adam优化器；
30、设置损失函数为dice loss；
31、设置每迭代1000次，对训练集和验证集做一次验证，通过早停法来判断网络训练停止时间，并得到自导向注意机制多任务分割网络模型。
32、第二方面，本申请实施例提供了一种基于自导向注意机制多任务分割网络金属植入物识别装置，所述装置包括：
33、图像获取模块，用于获取ct医学图像；
34、格式转换模块，用于将ct医学图像的dicom格式转换为png格式，得到目标医学图像；
35、植入物识别模块，用于将目标医学图像输入预设的自导向注意机制多任务分割网络模型中，确定骨骼区域和金属植入物区域。
36、第三方面，本申请实施例提供了一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
37、所述处理器执行所述计算机程序指令时实现如第一方面所示的基于自导向注意机制多任务分割网络金属植入物识别方法。
38、第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面所示的基于自导向注意机制多任务分割网络金属植入物识别方法。
39、本申请实施例的基于自导向注意机制多任务分割网络金属植入物识别方法、装置、设备及计算机可读存储介质，能够提高金属植入物识别结果的准确性。
40、该基于自导向注意机制多任务分割网络金属植入物识别方法，包括：获取ct医学图像；将ct医学图像的dicom格式转换为png格式，得到目标医学图像；将目标医学图像输入预设的自导向注意机制多任务分割网络模型中，确定骨骼区域和金属植入物区域。
本文档来自技高网...【技术保护点】
1.一种基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，包括：
2.根据权利要求1所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，将目标医学图像输入预设的自导向注意机制多任务分割网络模型中，确定骨骼区域和金属植入物区域，包括：
3.根据权利要求2所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，自导向注意机制多任务分割网络模型中的自导向注意机制网络，包括：
4.根据权利要求3所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，注意机制网络，包括：
5.根据权利要求4所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，还包括：
6.根据权利要求1所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，还包括：
7.根据权利要求6所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，自导向注意机制多任务分割网络模型的模型训练过程，包括：
8.一种基于自导向注意机制多任务分割网络金
9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的基于自导向注意机制多任务分割网络金属植入物识别方法。
...【技术特征摘要】
1.一种基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，包括：
2.根据权利要求1所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，将目标医学图像输入预设的自导向注意机制多任务分割网络模型中，确定骨骼区域和金属植入物区域，包括：
3.根据权利要求2所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，自导向注意机制多任务分割网络模型中的自导向注意机制网络，包括：
4.根据权利要求3所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，注意机制网络，包括：
5.根据权利要求4所述的基于自导向注意机制多任务分割网络金属植入物识别方法，其特征在于，还包括：
...【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：北京长木谷医疗科技股份有限公司，
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。