【技术实现步骤摘要】
本专利技术涉及计算机视觉与医学图像处理领域，尤其涉及一种改进的注意力机制与cv模型相结合的分割方法及其系统。
技术介绍
1、脑卒中（brain stroke）又称“中风”或者“脑血管意外”，是一种脑的颈动脉或者椎动脉因血栓等原因造成狭窄或者堵塞引起一种疾病，同时也是医学领域中常见的一种疾病，他因发病时间短，死亡率高被列为高风险疾病的队伍中，所以对脑卒中的采取有效的检测就显得格外的重要。在脑卒中分割挑战中，复杂的解剖结构导致病变结构边界模糊不清，这使得精确的分割变的异常的艰难，另外mri和ct图像中可能会受到噪音和伪影的影响，干扰算法的分割能力，另外小病变组织也不容忽视。
2、因此，本专利技术提出了一种改进的注意力机制与cv模型相结合的分割方法及其系统来解决上述问题。
技术实现思路
1、本专利技术针对现有技术的不足，提出了一种改进的注意力机制与cv模型相结合的分割方法及其系统，能够使分割结果的边缘信息等低级特征更加清晰，获得更加准确的分割结果。
2、本专利技术解决技术问题的技术方案为：
3、一种改进的注意力机制与cv模型相结合的分割方法，包括以下步骤：
4、s1.选取脑卒中病变数据作为数据集，将数据集按比例划分为训练集和测试集；
5、s2.对步骤s1获取的训练集和测试集进行预处理，将训练集和测试集导入读写医学影像文件的库后进行数据加载，然后将加载后的数据转换成数组类型的数据，重新设置原始训练集和测试集的大小，计算两者的终止尺
6、s3. 首先进行数据增强，读取步骤s2中设置后的训练集，随机裁剪大小为个切片，以的概率上下左右翻转对训练集数据进行图像增强，得到增强后的数据，然后将步骤s2中设置后的训练集输入到模型中进行训练，并将模型训练中得到的最优权重与偏置量进行保存；
7、s4.将增强后的数据中的输入图像进行卷积操作加入到注意力模型中，先后与上采样和下采样得到的特征图进行融合获得注意力系数，然后读取训练模型保存的最优权重和偏置量，以及步骤s2中预处理后的测试集的数据，通过网络解码器输出水平集函数，再将其转换成区间上的概率分布图，最后进行加权获得测试集的分割结果。
8、进一步地，s1的具体步骤为：选取脑卒中病变数据集atlasv2.0，将其按8:2的比例进行划分，得到训练集和测试集，训练集，表示训练集的个数，测试集，表示测试集的个数，atlasv2.0是一个从mr t1加权单模态图像中对脑中风病灶区域进行分割的数据集；
9、进一步地，s2的具体步骤为：对步骤s1获取的训练集和测试集进行预处理，将训练集和测试集导入库后对训练集进行加载，然后得到数组类型的数据；重新设置原始训练集和测试集的大小，用原始尺寸减去目标尺寸后除2作为重新设置数据大小的起始尺寸，用起始尺寸加上目标尺寸为两者的终止尺寸，
10、，
11、，
12、其中为原始数据的尺寸大小，为目标尺寸大小，为目标的起始尺寸，为目标的终止尺寸。
13、进一步地，s3的具体步骤为：将步骤s2中重新设置尺寸的训练集输入到模型中进行训练，并将模型训练中得到的最优权重与偏置量进行保存，具体包括两个阶段，第一阶段经过解码器中的卷积块获得水平集函数，第二阶段通过第一阶段获取的水平集函数最小化cv模型来训练优化模型，通过反向传播算法调整训练过程，计算出的模型的权重和偏置量，并多次迭代训练获得最终权重和偏置量并保存，cv模型是chan-vese主动轮廓模型。
14、进一步地，第一阶段为：
15、首先进行数据增强，读取训练集数据，随机裁剪大小为个切片，以的概率上下左右翻转对训练集数据进行图像增强，得到增强后的数据；
16、然后设置网络结构，设计编码器，解码器，chan-vese主动轮廓模型模块和边缘增强的注意力eeam模块；
17、（1）编码器结构和解码器结构分别由四个卷积块构成，eeam模块分别放置在编码器第一个卷积块与解码器第四个卷积块的跳跃连接处和编码器第二个卷积块和解码器第三个卷积块的跳跃连接处；
18、（2）编码器的第一个卷积块读取增强后的数据，经过编码器的第一个卷积得到的特征图，的维度是，将编码器第一个卷积块得到的特征图输入到eeam模块中，其中，，，，分别代表编码器第一个卷积块得到的特征图的通道数、高度、宽度和深度，编码器的第一个卷积块包含两个卷积核为[3,3,3]，步长为1，填充为1的卷积层、batchnorm归一化层、relu激活函数和下采样系数为[2,2,2]的最大值池化；
19、（3）编码器的第二个卷积块读取编码器的第一个卷积块得到的特征图，经过编码器的第二个卷积块得到特征图，的维度是，将编码器第二个卷积块得到的特征图输入到eeam模块中，其中，，，，分别代表编码器第二个卷积块得到的特征图的通道数、高度、宽度和深度，
20、编码器的第二个卷积块包含两个卷积核为[3,3,3]，步长为1，填充为1的卷积层、batchnorm层、relu激活函数和下采样系数为[2,2,2]的最大值池化；
21、（4）编码器的第三个卷积块读取编码器的第二个卷积块得到的特征图，经过编码器的第三个卷积块得到特征图，的维度是，其中，，，，分别代表编码器第三个卷积块得到的特征图的通道数、高度、宽度和深度，编码器的第三个卷积块包括两个卷积核为[3,3,3]，步长为1，填充为1的卷积层、batchnorm层、relu激活函数和下采样系数为[2,2,2]的最大值池化；
22、（5）编码器的第四个卷积块读取编码器的第三个卷积块得到的特征图，经过编码器的第四个卷积块得到特征图，的维度是，其中，，，，分别代表编码器第四个卷积块得到的特征图的通道数、高度、宽度和深度，编码器的第四个卷积块包括两个卷积核为[3,3,3]，步长为1，填充为1的卷积层、batchnorm层、relu激活函数和下采样系数为[2,2,2]的最大值池化；
23、（6）解码器第一个卷积块读取编码器中第四个卷积块得到的特征图进行上采样得到，和进行拼接，拼接得到的结果输入到解码器的第一个卷积块中，得到输出特征图，的维度是，其中，，，，分别代表解码器第一个卷积块得到的特征图的通道数、高度、宽度和深度，与编码器第四个卷积块得到的特征图的通道数、高度、宽度和深度相同，解码器的第一个卷积块包括一个卷积核大小为[3,3,3]，步长为2，填充为1的上采样层、两个卷积核大小为[3,3,3]，步长为2，padding为1的卷积层、batchnorm层和relu激活函数；
24、（7）解码器第二个卷积块读取解码器中第一个卷积块得到的特征图进行上采样得到，和拼接，拼接得到的结果输入到解码器的第二个卷积块中，得到输出特征图，的维度是，其中，，，，分别代表解码器第二个卷积块得到的特征图的通道数、高度、宽度和深度，与编码器第三个卷积块得到的特征图的通道数、高度、宽度和深度相同，解码器的第二个卷积块本文档来自技高网...
【技术保护点】
1.一种改进的注意力机制与CV模型相结合的分割方法，其特征是，包括以下步骤：
2.根据权利要求1所述的改进的注意力机制与CV模型相结合的分割方法，其特征在于：
3.根据权利要求2所述的改进的注意力机制与CV模型相结合的分割方法，其特征在于：
4.根据权利要求3所述的改进的注意力机制与CV模型相结合的分割方法，其特征在于：
5.根据权利要求4所述的改进的注意力机制与CV模型相结合的分割方法，其特征在于：
6.根据权利要求5所述的改进的注意力机制与CV模型相结合的分割方法，其特征在于：
7.根据权利要求6所述的改进的注意力机制与CV模型相结合的分割方法，其特征在于：
8.一种改进的注意力机制与CV模型相结合的分割方法的系统，其特征在于，包括以下模块：
【技术特征摘要】
1.一种改进的注意力机制与cv模型相结合的分割方法，其特征是，包括以下步骤：
2.根据权利要求1所述的改进的注意力机制与cv模型相结合的分割方法，其特征在于：
3.根据权利要求2所述的改进的注意力机制与cv模型相结合的分割方法，其特征在于：
4.根据权利要求3所述的改进的注意力机制与cv模型相结合的分割方法，其特征在于：
【专利技术属性】
技术研发人员：陈达，曹步勇，张炯，刘丽，张林，张伟杰，
申请(专利权)人：齐鲁工业大学山东省科学院，
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。