【技术实现步骤摘要】
本专利技术涉及白质纤维束分割，具体涉及一种基于u-net网络双编码器结构的纤维束分割方法。
技术介绍
1、大脑是人类身体中最为重要的器官之一，掌控着本专利技术的行为、情感、思维、记忆、语言、感官等多种机能。目前，全球的科研机构已经投入了大量人力和物力到脑科学领域研究中，旨在揭示人类大脑深层次的机理，以帮助人们更好地认识自己、了解人类行为和社会现象，治愈和预防大脑疾病，从而推动科技和医学进步。白质纤维束是连接大脑中不同区域的神经纤维束，这些神经纤维承担着神经信号的传递和信息交流功能，从而协调和调节大脑不同区域之间的信息传输和神经功能。对白质纤维束研究有助于深入理解大脑神经网络的组织结构和功能，以及不同神经系统疾病的发病机制。
2、目前，在医学图像分割领域，涌现出了许多新的网络结构。其中，基于编码器-解码器结构的u-net和v-net被广泛应用。u-net包含收缩路径和扩展路径两个部分，用于捕获上下文信息和进行分割区域定位，大幅提高了医学图像分割任务的性能。在u-net结构的基础上，许多研究人员提出了不同的变体结构。例如，肖等人将2d u-net网络应用于白质纤维束分割，在hcp数据集上取得了不错的结果。ilya等人基于v-net提出了一种双编码器模型显著提升了白质纤维束的分割精度。这些研究利用深度卷积网络对白质纤维束进行分割，跳过了复杂的纤维束成像环节，对白质纤维束分割的发展具有重要的推动作用。
3、unet虽然在图像分割任务中表现出色，但也存在一些缺点，例如在下采样过程中，u-net通过池化操作可以有效地
技术实现思路
1、针对现有技术中u-net很难有效地识别复杂形状和不同大小的区域，使得输入图像的分辨率下降，导致一些细节信息丢失，对一些细小的白质纤维或白质纤维的纤维边界难以分辨的不足，本专利技术提供了一种基于双注意力机制及多模态双编码器的白质纤维束分割网络模型，可以直接自动分割白质纤维束，跳过了传统的白质纤维束成像步骤，实现更快速、更精准的白质纤维束分割，从而解决现有技术中存在很难有效地识别复杂形状和不同大小的区域，使得输入图像的分辨率下降，导致一些细节信息丢失，对一些细小的白质纤维或白质纤维的纤维边界难以分辨的问题。
2、一种基于u-net网络双编码器结构的纤维束分割方法，包括以下步骤：
3、获取患者的dwi图像和t1w图像，并将dwi图像处理成配准到t1w图像的fa颜色编码图；
4、基于u-net网络，采用卷积神经网络结构的编码器，以及在每一层均添加了残差结构和一个cbam注意力模块的解码器，构建出纤维束分割网络模型；
5、将fa颜色编码图像作为纤维束分割网络模型的输入，输出分割图像；
6、根据分割图像获得脑肿瘤患者mr图像中的白质纤维分割效果图；
7、其中，采用纤维束分割网络模型进行图像分割，包括：
8、将fa颜色编码图输入至编码器中进行特征提取；
9、将提取的特征图输入至注意力模块中，注意力模块根据输入特征图和全局上下文特征图计算得到注意力图；
10、将t1w图像、提取的特征图和注意力图进行拼接，得到解码器第一层的特征图；
11、对解码器的每一层进行卷积，将解码器每层第一个特征图输入cbam注意力模块中，分别对该特征图进行通道维度和空间维度的特征提取；
12、将提取后的特征图残差连接到该层的第三个特征图中，输出分割图像。
13、进一步地，所述将fa颜色编码图输入编码器中进行特征提取，其包括以下步骤：
14、将fa颜色编码图输入编码器中经过两次卷积层对其进行运算；
15、通过池化层对运算后得到的特征图进行下采样、压缩特征；
16、经过最后一层卷积层后提取出特征图。
17、进一步地，所述编码器每一层第二个卷积层的卷积核为扩张率为2的空洞卷积。
18、进一步地，还包括所述注意力模块根据输入特征图和全局上下文特征图计算得到注意力图后将注意力图与输入特征图相乘，用于放大输入特征图与目标物体相关的区域，并且压制与目标无关的区域。
19、进一步地，所述残差结构的每个层的输入与前面某一层的输出进行加和操作，得到的结果再通过激活函数进行处理，得到输出值；其所述残差结构表示为：
20、y＝f(x)+x
21、其中，x表示输入，f(x)表示经过非线性变换后的输出，y表示残差结构的最终输出。
22、进一步地，所述激活函数sigmoid表示为：
23、
24、其中x表示输入信号，sigmoid的输出值范围为(0，1)，当输入信号越大，输出趋近于1；当输入越小，越接近负无穷时，输出趋近于0。
25、进一步地，所述cbam注意力模块包括通道注意力模块和空间注意力模块；
26、所述通道注意力模块通过对特征图在通道维度上进行最大池化和平均池化得到两个不同的通道特征表示，然后通过全连接层和激活函数，生成一个通道权重向量；
27、所述空间注意力模块通过对通道注意力生成的特征图进行最大池化和平均池化，得到两个不同的空间特征表示，然后通过全连接层和激活函数，生成一个空间权重向量。
28、进一步地，所述cbam注意力模块表示为：
29、fcbam＝mspatial×mchannel×x
30、其中，x表示输入特征图，mchannel和mspatial分别表示通道注意力和空间注意力模块。
31、进一步地，所述通道注意力模块表示为：
32、mchannel(x)＝σ(mlpavg(x)+mlpmax(x))
33、其中，mlpavg(x)表示对输入特征图进行平均池化，mlpmax(x)表示对输入特征图进行最大池化。
34、进一步地，所述空间注意力模块表示为：
35、mspatial(x)＝σ(mlpavg(mchannel(x))+mlpmax(mchannel(x)))
36、其中，mlpavg(x)表示对通道注意力生成的特征图进行平均池化，mlpmax(x)表示对通道注意力生成的特征图进行最大池化，σ表示sigmoid函数。
37、本专利技术提供了一种基于u-net网络双编码器结构的纤维束分割方法，具备以下有益效果：
38、本专利技术基于u-net的双编码器模型为t1w图像和fa彩色编码图像提供特定的编码器，在解码器阶段加入了cbam注意力模块和注意力模块，引入注意力机制可以提高网络对于重要特征的感知能力，增强局部特征表达，有效提高小区域白质纤维束分割的精本文档来自技高网...
【技术保护点】
1.一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，所述将FA颜色编码图输入编码器中进行特征提取，其包括以下步骤：
3.根据权利要求2所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，所述编码器每一层第二个卷积层的卷积核为扩张率为2的空洞卷积。
4.根据权利要求1所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，还包括所述注意力模块根据输入特征图和全局上下文特征图计算得到注意力图后将注意力图与输入特征图相乘，用于放大输入特征图与目标物体相关的区域，并且压制与目标无关的区域。
5.根据权利要求1所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，所述残差结构的每个层的输入与前面某一层的输出进行加和操作，得到的结果再通过激活函数进行处理，得到输出值；其所述残差结构表示为：
6.根据权利要求5所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其
7.根据权利要求1所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，所述CBAM注意力模块包括通道注意力模块和空间注意力模块；
8.根据权利要求7所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，所述CBAM注意力模块表示为：
9.根据权利要求8所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，所述通道注意力模块表示为：
10.根据权利要求8所述的一种基于U-NET网络双编码器结构的纤维束分割方法，其特征在于，所述空间注意力模块表示为：
...【技术特征摘要】
1.一种基于u-net网络双编码器结构的纤维束分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于u-net网络双编码器结构的纤维束分割方法，其特征在于，所述将fa颜色编码图输入编码器中进行特征提取，其包括以下步骤：
3.根据权利要求2所述的一种基于u-net网络双编码器结构的纤维束分割方法，其特征在于，所述编码器每一层第二个卷积层的卷积核为扩张率为2的空洞卷积。
4.根据权利要求1所述的一种基于u-net网络双编码器结构的纤维束分割方法，其特征在于，还包括所述注意力模块根据输入特征图和全局上下文特征图计算得到注意力图后将注意力图与输入特征图相乘，用于放大输入特征图与目标物体相关的区域，并且压制与目标无关的区域。
5.根据权利要求1所述的一种基于u-net网络双编码器结构的纤维束分割方法，其特征在于，所述残差结构的每个...
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。