【技术实现步骤摘要】
本专利技术涉及图像分割，尤其涉及一种基于注意力机制和msenet模型的脑出血图像分割方法。
技术介绍
1、脑出血是由脑内动脉、静脉或毛细血管破裂引起的自发性出血性脑血管疾病，该病起病快，死亡率高，是目前中老年人的致命疾病之一。目前最常用的诊断方法是ct检查，ct图像可以进行定量分析，通过不同的黑、白、灰度显示组织和病变的密度，从而观察血肿部位的病变形态，预测疾病的发展。
2、出血的位置和形态多种多样且血肿区域密度较高，可能发生在不同部位，因此血肿位置和形态的分割是脑出血疾病诊断和治疗的关键。医学图像的分割方法多种多样，其中深度学习方法广受欢迎。在进行脑出血血块分割时，经典的神经网络分割有cnn、unet、unet++，卷积神经网cnn广泛应用于医学图像处理，对噪声和其他一些干扰不敏感。然而，cnn需要大量的数据样本和较长的训练网络过程，会导致训练过程中的过拟合。unet在图像分割中得到了广泛的应用，在小数据集上也能得到很好的实验结果，然而由于大脑内部有太多的组织，当面对一些复杂的脑出血区域时分割效果并不理想。与unet相比，...
【技术保护点】
1.一种基于注意力机制和MSENet模型的脑出血图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于注意力机制和MSENet模型的脑出血图像分割方法，其特征在于，S2中，所述多尺度形态学处理模块对所述临床脑出血CT图像进行处理并输出解剖影像组学特征图的具体步骤包括：
3.根据权利要求2所述的基于注意力机制和MSENet模型的脑出血图像分割方法，其特征在于，S3中，构建的注意力机制模块包括第一部分和第二部分，第一部分包括第九卷积层和第十卷积层，第二部分包括平均池化层、第一全连接层、第二全连接层和激活函数层；
4.根据...
【技术特征摘要】
1.一种基于注意力机制和msenet模型的脑出血图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于注意力机制和msenet模型的脑出血图像分割方法，其特征在于，s2中，所述多尺度形态学处理模块对所述临床脑出血ct图像进行处理并输出解剖影像组学特征图的具体步骤包括：
3.根据权利要求2所述的基于注意力机制和msenet模型的脑出血图像分割方法，其特征在于，s3中，构建的注意力机制模块包括第一部分和第二部分，第一部分包括第九卷积层和第十卷积层，第二部分包括平均池化层、第一全连接层、第二全连接层和激活函数层；
4.根据权利要求3所述的基...
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。