【技术实现步骤摘要】
本申请属于医学图像分类，具体涉及一种基于残差cbam注意力机制的肿瘤图像分类方法及装置。
技术介绍
1、近些年，医学影像技术得到了快速发展，已成为研究各项疾病不可或缺的重要工具。电子计算机断层扫描(computerized tomography,ct)因其无创、廉价且方便等特点被广泛应用于各项医学影像中，帮助医生早期评估诊断癌症、肿瘤以及骨头坏死等症状。
2、当前，深度学习在脑部ct、mri(magnetic resonance imaging)医学图像方面的应用也逐渐流行，通常采用卷积神经网络模型来处理脑部医学图像，提取病理特征，进而根据病理特征对症状进行分类。但目前采用卷积神经网络模型在提取图像的病理特征时不够充分，可能混入提取的脑部特征，使得提取的病理特征分辨率不强，模型的分类不够准确。
技术实现思路
1、为此，本申请提供一种基于残差cbam注意力机制的肿瘤图像分类方法及装置，有助于解决现有神经网络模型对脑部医学图像特征信息提取不充分，模型分类准确率不高的问题。
2、为实现以上目的，本申请采用如下技术方案：
3、第一方面，本申请提供一种基于残差cbam注意力机制的肿瘤图像分类方法，包括：
4、获取脑部ct图像集；
5、基于残差cbam注意力机制，采用跳跃连接方式构建残差注意力模块；
6、将残差注意力模块嵌入resnet18残差网络模型的残差结构，并将所述残差结构的平均池化层修改为全局平均池化层，获得具有高
7、将所述脑部ct图像集输入所述具有高特征关注度的resnet18残差网络模型进行分类训练，并将训练后的具有高特征关注度的resnet18残差网络模型确定为肿瘤图像分类模型；
8、获取患者的实际脑部ct图像，并将所述实际脑部ct图像输入所述肿瘤图像分类模型进行分类，并根据分类结果确定所述实际脑部ct图像对应的肿瘤类型。
9、进一步地，所述基于残差cbam注意力机制，采用跳跃连接方式构建残差注意力模块，包括：
10、基于cbam注意力机制构建卷积注意力模块；其中，所述卷积注意力模块包括特征输入端、通道注意力模块、空间注意力模块和特征输出端；所述特征输入端与所述通道注意力模块的输入端连接，且所述特征输入端和所述通道注意力模块的输出端连接形成第一特征映射节点；所述第一特征映射节点的输出端与所述空间注意力模块的输入端连接，且所述第一特征映射节点的输出端和所述空间注意力模块的输出端连接形成第二特征映射节点；所述第二特征映射节点的输出端连接所述特征输出端；
11、所述特征输入端用于将输入的所述脑部ct图像集转换为对应的初始特征图；
12、所述通道注意力模块用于对输入的初始特征图进行通道信息增强，并输出通道注意力权重至所述第一特征映射节点；
13、所述第一特征映射节点用于将所述通道注意力权重与初始特征图进行逐像素相乘，并输出通道注意力特征图至所述空间注意力模块；
14、所述空间注意力模块用于对所述通道注意力特征图进行空间域信息变换，并输出空间注意力权重至所述第二特征映射节点；
15、所述第二特征映射节点用于将所述空间注意力权重和通道注意力特征图进行逐像素相乘，输出空间注意力特征图；
16、采用跳跃连接方式，将所述卷积注意力模块的特征输入端跳跃连接至所述第二特征映射节点的输出端形成第三特征映射节点，并将第三特征映射节点的输出端连接所述特征输出端，获得残差注意力模块；
17、所述残差注意力模块用于将所述特征输入端的初始特征图与所述第二特征映射节点输出的空间注意力特征图进行融合，输出最终的注意力特征映射至所述特征输出端；所述特征输出端输出注意力特征映射。
18、进一步地，所述获取脑部ct图像集，包括：
19、获取原始脑部ct图像集，并对所述原始脑部ct图像集中进行图像亮度变换，提高原始脑部ct图像的亮度，获得第一图像集；
20、利用图像去噪算法对所述第一图像集进行去噪处理，获得第二图像集；
21、对所述第二图像集进行数据增强处理，获得脑部ct图像集。
22、进一步地，所述数据增强处理包括随机水平翻转、随机垂直翻转、对比度调整和饱和度调整中的一种或多种。
23、进一步地，所述将训练后的具有高特征关注度的resnet18残差网络模型确定为肿瘤图像分类模型之后，还包括：
24、获取脑部ct图像，并输入所述肿瘤图像分类模型进行分类，获得脑部ct图像分类结果；
25、对所述肿瘤图像分类模型的脑部ct图像分类结果进行标签平滑处理，获得标签平滑处理后的脑部ct图像分类结果；
26、基于标签平滑处理后的脑部ct图像分类结果，利用交叉熵损失函数计算所述肿瘤图像分类模型的交叉熵损失，并根据所述交叉熵损失对所述肿瘤图像分类模型的权重进行梯度更新。
27、进一步地，所述将所述脑部ct图像集输入所述具有高特征关注度的resnet18残差网络模型进行分类训练之后，还包括：
28、对具有高特征关注度的resnet18残差网络模型的分类性能进行验证，获得模型验证结果；
29、基于模型验证结果，按照预设评估方法计算所述具有高特征关注度的resnet18残差网络模型的分类准确率，并根据计算出的分类准确率确定模型分类性能。
30、进一步地，所述将所述残差结构的平均池化层修改为全局平均池化层之后，还包括：
31、基于dropout机制，在所述全局平均池化层后添加dropout损失函数，构建dropout操作层。
32、第二方面，本申请提供一种基于残差cbam注意力机制的肿瘤图像分类装置，包括：
33、数据采集模块，用于获取脑部ct图像集；
34、第一处理模块，用于基于残差cbam注意力机制，采用跳跃连接方式构建残差注意力模块；
35、模型构建模块，用于将残差注意力模块嵌入resnet18残差网络模型的残差结构，并将所述残差结构的平均池化层修改为全局平均池化层，获得具有高特征关注度的resnet18残差网络模型；
36、模型训练模块，用于将所述脑部ct图像集输入所述具有高特征关注度的resnet18残差网络模型进行分类训练，并将训练后的具有高特征关注度的resnet18残差网络模型确定为肿瘤图像分类模型；
37、分类识别模块，用于获取患者的实际脑部ct图像，并将所述实际脑部ct图像输入所述肿瘤图像分类模型进行分类，并根据分类结果确定所述实际脑部ct图像对应的肿瘤类型。
38、本申请采用以上技术方案，至少具备以下有益效果：
39、通过本申请提供的一种基于残差cbam注意力机制的肿瘤图像分类方法，先基于残差cbam注意力机制，采用跳跃连接方式构建残差注意力模块，并将本文档来自技高网...
【技术保护点】
1.一种基于残差CBAM注意力机制的肿瘤图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于残差CBAM注意力机制的肿瘤图像分类方法，其特征在于，所述基于残差CBAM注意力机制，采用跳跃连接方式构建残差注意力模块，包括：
3.根据权利要求1所述的基于残差CBAM注意力机制的肿瘤图像分类方法，其特征在于，所述获取脑部CT图像集，包括：
4.根据权利要求3所述的基于残差CBAM注意力机制的肿瘤图像分类方法，其特征在于，所述数据增强处理包括随机水平翻转、随机垂直翻转、对比度调整和饱和度调整中的一种或多种。
5.根据权利要求1所述的基于残差CBAM注意力机制的肿瘤图像分类方法，其特征在于，所述将训练后的具有高特征关注度的ResNet18残差网络模型确定为肿瘤图像分类模型之后，还包括：
6.根据权利要求1所述的基于残差CBAM注意力机制的肿瘤图像分类方法，其特征在于，所述将所述脑部CT图像集输入所述具有高特征关注度的ResNet18残差网络模型进行分类训练之后，还包括：
7.根据权利要求1所述的基于残差CBA
8.一种基于残差CBAM注意力机制的肿瘤图像分类装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于残差cbam注意力机制的肿瘤图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于残差cbam注意力机制的肿瘤图像分类方法，其特征在于，所述基于残差cbam注意力机制，采用跳跃连接方式构建残差注意力模块，包括：
3.根据权利要求1所述的基于残差cbam注意力机制的肿瘤图像分类方法，其特征在于，所述获取脑部ct图像集，包括：
4.根据权利要求3所述的基于残差cbam注意力机制的肿瘤图像分类方法，其特征在于，所述数据增强处理包括随机水平翻转、随机垂直翻转、对比度调整和饱和度调整中的一种或多种。
5.根据权利要求1所述的基于残...
【专利技术属性】
技术研发人员：刘强，刘新锐，滕达，王文通，卢思超，
申请(专利权)人：北京石油化工学院，
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。