CN114549538B 一种基于空间信息与特征通道的脑肿瘤医学图像分割方法 （杭州电子科技大学）

一种基于空间信息与特征通道的脑肿瘤医本发明涉及一种基于空间信息与特征通道用RepVGG和双注意力机制来改进U_Net网络。RepVGG通过支链结构和参数重构化方法使得在该模块可以解决复杂全卷积神经网络存在参数提取和利用空间中的焦点信息和特征通道之间明解决了复杂网络模型开销大以及小目标分割2步骤2_2：解码器部分将上述第5次的结果g5经过4次上采样和增加双注意力机制的VGG步骤2_3：通过BCEDiceLoss函数对多区域进行预测结编码器中的RepVGG模块，通过重构的方式将1x1的支2.根据权利要求1所述的一种基于空间信息与特征通道的脑肿瘤医学图像分割方法，步骤1_3：将上述1_2归一化后的二维图片序列进行中心剪裁，图片大小从240x240剪裁到160x160。3.根据权利要求1所述的一种基于空间信息与特征通道的脑肿瘤医学图像分割方法，34.根据权利要求1所述的一种基于空间信息与特征通道的脑肿瘤医学图像分割方法，g表示编码器的跳跃连接，xl代表上采样后的图像数据，f1和f2表示两个不同的1x1卷3表示一个1x1卷积和Sigmoid激活函数和ReLU激活函数的组合，Fsq为全局平均池化卷5.根据权利要求1所述的一种基于空间信息与特征通道的脑肿瘤医学图像分割方法，4[0002]脑部胶质瘤是一种常见的原发性或继发性脑肿瘤疾病，这是一种具有高治疗难图像分析可以为医学专业人员理解疾病和研究临床挑战提供精确的指导，以提高诊断质5[0011]步骤2_1：编码器部分将预处理完成的数据集A中图像x0先经过4次RepVGG卷积模块和下采样处理实现增加特征通道数量和缩小图片尺寸的目的，第5次仅经过1个RepVGG[0012]步骤2_2：解码器部分将上述第5次的结果g5经过4次上采样和增加双注意力机制[0015]编码器中的RepVGG模块，通过重构的方式将1x1的支链卷积和恒等映射合并到[0019]步骤1_3：将上述1_2归一化后的二维图片序列进行中心剪裁，图片大小从240×6卷积和恒等映射合并到3x3卷积堆栈中；首先将bn层和conv层转换成一个带有偏差向量的将三个卷积进行线性叠加最终得到为仅有一个3x3卷积的VG[0037]1.本发明通过提出的可重构支链网络使得网络在训练阶段增加特征信息量的同卷积神经网络中小目标分割能力弱以及多目标之间边缘分7[0053]步骤2_1：编码器部分如附图1将预处理完成的数据集A中图像x0先经过4次过1个RepVGG卷积模块进行处理,每一次处理得到具有不同图片尺寸和不同特征通道数的[0056]其中f表示3×3卷积[0057]步骤2_2：解码器部分将上述第5次的结果g5经过4次上采样和增加双注意力机制整合所有通道映射中的相关特征来选择性地强调相互依赖的通道映射，输入x通过挤压F8[0064]训练过程使用了亚当优化器，学习率为0.003，动量参数为0.9，权重衰减为0.0001.[0066]采用结构重参数技术除去多余分支,其原再将两个1x1的卷积通过零填充的方式等价转换为3x3的卷积。利用公式Conv(x,w1)+Conv