一种基于FasterNet和局部自注意力机制的颅内血肿分割方法技术

本发明专利技术公开了一种基于FasterNet和局部自注意力机制的颅内血肿分割方法，涉及医学图像处理技术领域，具体步骤为：构建包括主干特征提取网络、加强特征提取网络和分割网络的颅内血肿深度学习模型；选择CQ500数据集进行筛选、划分数据集，并按照硬膜外血肿、硬膜下血肿、脑实质血肿、蛛网膜下腔血肿这四种类型进行标注；利用制作好的数据集对网络模型进行训练，直至损失值到达设定范围且趋于平衡；利用未使用过的头部CT影像数据集对模型进行评估、再次训练和微调，获得最终模型；将最终确定的模型参数保存后加载到模型并保存；本发明专利技术对颅内血肿图像进行分割并进行了可视化，便于人眼观察，同时本发明专利技术提出的方法分割效率高，训练速度快，准确率高。

【技术实现步骤摘要】

本专利技术提供了一种基于fasternet和局部自注意力机制的颅内血肿分割方法，属于医学图像分割领域。

技术介绍

1、颅内血肿是指在颅腔的某些部位聚集了一定体积的血液时形成的局部占位效应，它会对脑组织产生压迫，引起头痛、意识受损、瘫痪，甚至死亡。因此，对颅内血肿的快速诊断十分重要。基于深度学习的医学图像分割技术在计算机辅助医疗系统中已经成为重要组成部分，不同于传统的分割方法，基于深度学习的分割方法能够减少伪影、钙化等现象对分割性能的影响，对于形状不规则、复杂的高维的颅内血肿数据有更好的泛化能力。本技术针对头部ct影像，利用部分卷积、局部自注意力机制和空间金字塔完成对颅内血肿的分割。

2、中国专利申请公布号为“cn 116152492 a”，名称为“基于多重注意力融合的医学图像分割方法”，该方法首先利用深度残差网络对输入图像进行特征提取得到不同尺度的特征图；然后利用不同感受野的空洞卷积对提取出的特征进行特征提取，得到不同尺度的信息；接着将多尺度信息送进金字塔扩充模块，进行特征融合；最后将融合好的信息送进双分支融合模块，利用前后背景掩码预测分支和类本文档来自技高网...

【技术保护点】

1.一种基于FasterNet和局部自注意力机制的颅内血肿分割方法，其特征在于，具体步骤为：

2.根据权利要求1所述的一种基于FasterNet和局部自注意力机制的颅内血肿分割方法，其特征在于，整个网络包括主干特征提取网络、加强特征提取网络和解码器；

3.根据权利要求1所述的一种基于FasterNet和局部自注意力机制的颅内血肿分割方法，其特征在于，分割网络包括多个卷积层、归一化层和ReLU函数、上采样层和分割层。

4.根据权利要求1所述的一种基于FasterNet和局部自注意力机制的颅内血肿分割方法，其特征在于，空间金字塔块包括不同膨胀率的空洞卷积层...

【技术特征摘要】

1.一种基于fasternet和局部自注意力机制的颅内血肿分割方法，其特征在于，具体步骤为：

2.根据权利要求1所述的一种基于fasternet和局部自注意力机制的颅内血肿分割方法，其特征在于，整个网络包括主干特征提取网络、加强特征提取网络和解码器；

3.根据权利要求1所述的一种基于fasternet和局部自注意力机制的颅内血肿分割方法，其特征在于，分割网络包括多个卷积层、归一化层和relu函数、上采样层和分割层。

4.根据权利要求1所述的一种基于fasternet和局部自注意力机制的颅内血肿分割方法，其特征在于，空间金字塔块包括不同膨胀率的空洞卷积层、1×1卷积层和自适应全局池化层、归一化层和relu函数。

5.根据权利要求1所述的一种基于fasternet和局部自注意力机制的颅内血肿分割方...

【专利技术属性】
技术研发人员：高凯，李光宇，刘长龙，景文昊，李姗泽，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：