System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及的是蜂窝肺ct图像分割方法,尤其涉及的是一种基于amifnet模型的蜂窝肺ct图像分割方法和装置。
技术介绍
1、蜂窝肺是一种慢性、进行性的肺部疾病,其特征是肺泡中出现囊状结构,形状类似蜂窝,ct图像如图1所示。其主要由长期的、慢性的肺部疾病引起,如慢性阻塞性肺疾病、肺纤维化、肺部感染、结缔组织病等。症状包括呼吸困难、咳嗽、咳痰、乏力等,还容易导致并发症,如肺感染、气胸、肺动脉高压等。对患者的生活质量和预后有显著影响。因此,早期发现、早期治疗非常重要。蜂窝肺的诊治是医生借助电子计算机断层扫描(ct)、核磁共振成像(mri)等技术对生成的医学影像进行分析。由于人工阅片的工作量非常庞大,医生可能会因长时间阅片产生疲劳感,影响对病灶的判断,增大漏诊、误诊的风险。此外,疾病的检出率很大程度上依赖于影像科医生的主观经验,易受本人生理、心理等状态的影响,存在一定的诊断偏差,从而影响诊断结果的准确性。因此,利用图像分割方法对肺部病灶进行自动分割,辅助医生对患者的病情程度进行精准诊断,提高医生在诊疗中的准确率和阅片效率,从而为指导临床决策和预后治疗提供合适的方案,具有十分重要的临床价值。
2、医学影像分割是指将医学影像中的不同组织或结构进行精确的分割,是医学图像处理和诊断的关键步骤之一。医学影像分割技术在不断地发展和演进,并已经取得了初步的进展,但关于医学影像的分割依旧面临着巨大的挑战。由于ct成像技术和成像设备本身的限制,以及病人个体差异等原因的影响,导致肺部ct图像存在噪声、形状各异且无规律,在医学影像分割过程中存
3、cenet作为用于医学图像分割的网络被提出,其主要包含三个模块:特征编码模块,上下文特征提取模块和特征解码模块。如图2所示,该网络使用预训练的resnet作为固定特征提取器,该模块保留了前四个特征提取块,而没有均值池化和全连接;上下文特征提取模块由dac和rmp组成,该模块用于提取上下文语义信息并生成更多高级的特征图。cenet引入的上下文编码模块,能够提取更全局的上下文信息,使得模型能够更好地理解影像中不同区域之间的关系;并且cenet具有较强的可扩展性,可以根据具体任务做出调整和修改,使其能够适应不同的医学影像分割需求。但是cenet的编解码器间仅使用了简单的连接操作,这使得底层的细节特征无法更完整的传递到高层,不利于模型更好地解决复杂的任务;使用普通卷积作为解码器导致分割边缘模糊,无法更好地完成分割任务中需要准确划分不同像素类别的任务;另外,cenet没有将多层解码器的输出特征进行融合,这使得模型的表达能力有所欠缺。针对上述提出的问题,本专利技术提出了一种改进cenet模型的蜂窝肺ct图像分割方法。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足。提出了一种amifnet蜂窝肺医学影像分割方法,其在一定程度上提高了模型的分割精度,达到可与现有流行分割模型相竞争的分割效果。
2、本专利技术的技术方案如下:
3、一种基于amifnet模型的蜂窝肺ct图像分割方法,所述amifnet模型的构建方法为:以cenet网络为基础进行改进,首先,在编码器与解码器间的跳跃连接上增加重加权跳跃连接模块(rjc模块),对像素重新加权,让模型根据特征的空间位置调整像素权重,抑制高级特征中不相关信息的表达;其次,采用深度可分离卷积解码器;之后,将四个解码器的输出送入多尺度信息融合模块(mif模块),将不同层次的特征进行信息融合。
4、所述的蜂窝肺ct图像分割方法,所述rjc模块,首先将解码器的当前特征m与其对应的编码器的上一阶段特征x相融合,其中,x的维度为batch×cx×hx×wx,m的维度为batch×cm×hm×wm,其中hm=hx/2,wm=wx/2,cm=2×cx;由于两特征图维度不同,应先通过下采样,将特征图x的高度和宽度调整至与m相同大小;再对m进行卷积操作,使其通道数与x通道数相同;经过处理之后,x与m的维度相同,将两者融合;然后,通过上采样操作,将融合后的特征图调整至与x相同的尺寸,并依次进行relu激活函数和1×1卷积;最后将特征图通过softmax函数,得到概率图α,经softmax函数处理后,像素的原始值转换为该像素属于每个类别的概率,从而可以通过点积运算对原始特征图x进行重新加权得到特征图αxi;重新加权的特征映射αxi的定义公式如式(1)所示:
5、αxi=xi×αi (1)
6、其中i为第i个像素的索引;为了进一步加深模型对重要信息的关注程度,在此引入注意力机制。cbam注意力机制的作用是帮助网络更好地利用输入特征图的通道和空间信息,在保留重要信息的同时,抑制无关信息,以提升模型的表示能力和性能;其计算公式如下所示:
7、mc(f)=σ(mlp(avgpool(f))+mlp(maxpool(f))) (2)
8、ms(mc(f))=σ(f([avgpool(mc(f));maxpool(mc(f))])) (3)
9、其中,σ为sigmoid操作,+为逐像素的加和操作,[;]指将括号里边的结果做基于通道的拼接操作,f指卷积运算;ca注意力机制的作用是利用全局的平均特征和最大特征来计算每个通道的权重,从而决定每个通道在最终特征图中的重要性;高度g处的第x个通道的计算公式如式(4)。
10、
11、相同的,宽l处第k个通道的计算公式如式(5)。
12、
13、其中,h代表图像的高度;w代表图像的宽度;xc代表具体的全局平均池化的操作;针对不同的通道添加合适的注意力机制,使得rjc模块能最大程度的发挥作用;
14、将原始的特征表达添加到注意力机制操作后得到的结果中,则rjc模块的输出αxi的计算公式如式(6)所示。
15、αxi=αxai+xi (6)
16、其中αxai表示特征映射经注意力机制后的输出;
17、在每个阶段的跳跃连接中插入一个rjc模块,让模型根据特征的空间位置调整像素权重,抑制高级特征中不相关信息的表达,融合相关信息以达到突出跳过连接上显著特征的目的。
18、所述的蜂窝肺ct图像分割方法,所述深度可分离卷积解码器,将基础网络的解码器阶段的普通卷积替换为深度可分离卷积,并使用relu6作为激活函数;
19、深度可分离卷积将卷积操作分解为两个独立的步骤:深度卷积和逐点卷积;深度卷积是对输入信号的每个通道应用一个单独的卷积核进行卷积操作;这意味着每个输入通道有一个对应的卷积核,并为每个输入通道生成一个输出通道;这使得每个输入通道和输出通道之间共享卷积核,从而减少模型计算量和参数量;逐点卷积是应用1x1本文档来自技高网...
【技术保护点】
1.一种基于AMIFNet模型的蜂窝肺CT图像分割方法,其特征在于,所述AMIFNet模型的构建方法为:以CENet网络为基础进行改进,首先,在编码器与解码器间的跳跃连接上增加重加权跳跃连接模块(RJC模块),对像素重新加权,让模型根据特征的空间位置调整像素权重,抑制高级特征中不相关信息的表达;其次,采用深度可分离卷积解码器;之后,将四个解码器的输出送入多尺度信息融合模块(MIF模块),将不同层次的特征进行信息融合。
2.根据权利要求1所述的蜂窝肺CT图像分割方法,其特征在于,所述RJC模块,首先将解码器的当前特征m与其对应的编码器的上一阶段特征x相融合,其中,x的维度为batch×Cx×Hx×Wx,m的维度为batch×Cm×Hm×Wm,其中Hm=Hx/2,Wm=Wx/2,Cm=2×Cx;由于两特征图维度不同,应先通过下采样,将特征图x的高度和宽度调整至与m相同大小;再对m进行卷积操作,使其通道数与x通道数相同;经过处理之后,x与m的维度相同,将两者融合;然后,通过上采样操作,将融合后的特征图调整至与x相同的尺寸,并依次进行Relu激活函数和1×1卷积;最后将特征图
3.根据权利要求1所述的蜂窝肺CT图像分割方法,其特征在于,所述深度可分离卷积解码器,将基础网络的解码器阶段的普通卷积替换为深度可分离卷积,并使用relu6作为激活函数;
4.根据权利要求1所述的蜂窝肺CT图像分割方法,其特征在于,所述MIF模块,用于自适应融合不同尺度的特征以更好地定位病变;
5.一种根据权利要求1所述方法的蜂窝肺CT图像分割装置,其特征在于,包含以CENet网络为基础进行改进得到的AMIFNet模型单元,AMIFNet模型单元包含在编码器与解码器间的跳跃连接上增加重加权的跳跃连接模块(RJC模块)、深度可分离卷积解码器和多尺度信息融合模块(MIF模块),跳跃连接模块(RJC模块)用于对像素重新加权;多尺度信息融合模块(MIF模块)将不同层次的特征进行信息融合。
6.根据权利要求5所述的装置,其特征在于,所述RJC模块,首先将解码器的当前特征m与其对应的编码器的上一阶段特征x相融合,其中,x的维度为batch×Cx×Hx×Wx,m的维度为batch×Cm×Hm×Wm,其中Hm=Hx/2,Wm=Wx/2,Cm=2×Cx;由于两特征图维度不同,应先通过下采样,将特征图x的高度和宽度调整至与m相同大小;再对m进行卷积操作,使其通道数与x通道数相同;经过处理之后,x与m的维度相同,将两者融合;然后,通过上采样操作,将融合后的特征图调整至与x相同的尺寸,并依次进行Relu激活函数和1×1卷积;最后将特征图通过softmax函数,得到概率图α,经softmax函数处理后,像素的原始值转换为该像素属于每个类别的概率,从而可以通过点积运算对原始特征图x进行重新加权得到特征图αxi;重新加权的特征映射αxi的定义公式如式(1)所示:
7.根据权利要求5所述的装置,其特征在于,所述深度可分离卷积解码器,将基础网络的解码器阶段的普通卷积替换为深度可分离卷积,并使用relu6作为激活函数;
8.根据权利要求5所述的装置,其特征在于,所述MIF模块,用于自适应融合不同尺度的特征以更好地定位病变;
...【技术特征摘要】
1.一种基于amifnet模型的蜂窝肺ct图像分割方法,其特征在于,所述amifnet模型的构建方法为:以cenet网络为基础进行改进,首先,在编码器与解码器间的跳跃连接上增加重加权跳跃连接模块(rjc模块),对像素重新加权,让模型根据特征的空间位置调整像素权重,抑制高级特征中不相关信息的表达;其次,采用深度可分离卷积解码器;之后,将四个解码器的输出送入多尺度信息融合模块(mif模块),将不同层次的特征进行信息融合。
2.根据权利要求1所述的蜂窝肺ct图像分割方法,其特征在于,所述rjc模块,首先将解码器的当前特征m与其对应的编码器的上一阶段特征x相融合,其中,x的维度为batch×cx×hx×wx,m的维度为batch×cm×hm×wm,其中hm=hx/2,wm=wx/2,cm=2×cx;由于两特征图维度不同,应先通过下采样,将特征图x的高度和宽度调整至与m相同大小;再对m进行卷积操作,使其通道数与x通道数相同;经过处理之后,x与m的维度相同,将两者融合;然后,通过上采样操作,将融合后的特征图调整至与x相同的尺寸,并依次进行relu激活函数和1×1卷积;最后将特征图通过softmax函数,得到概率图α,经softmax函数处理后,像素的原始值转换为该像素属于每个类别的概率,从而可以通过点积运算对原始特征图x进行重新加权得到特征图αxi;重新加权的特征映射αxi的定义公式如式(1)所示:
3.根据权利要求1所述的蜂窝肺ct图像分割方法,其特征在于,所述深度可分离卷积解码器,将基础网络的解码器阶段的普通卷积替换为深度可分离卷积,并使用relu6作为激活函数;
4.根据权利要求1所述的蜂窝肺ct图像分割方法,其特征在于,所述mif模块,用于自适应融...
【专利技术属性】
技术研发人员:张玲,李钢,孙梦霞,孙嘉莹,马俊卓,王启阳,卫超凡,
申请(专利权)人:太原理工大学,
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。