CN116030078B 多任务学习框架下结合注意力的肺叶分割方法及系统 （之江实验室）

多任务学习框架下结合注意力的肺叶分割本发明公开了一种多任务学习框架下结合任务，并行计算肺叶分割任务和肺实质分割任更加全面的特征，强化主任务肺叶分割网络性2构建训练数据集，所述训练数据集的每一样本包下采样模块在输出前对输出做图像锐化处理；所述锐化空间注意力模块包括平均池化层、将训练数据集的每一样本作为目标网络的输入，以最小化预测的肺积层用于对第一2D卷积层输出的压缩通道数后的全局空间信息进行卷积加强对通道信息图像进行选择性的加强包含有用信息的特征并抑制无用特征，得到通道注意力模块的输;将编码器提取的特征解码获得预测的肺叶分割图像的主要任务和第二解码器将编码器提表示3抗网络模型构建预测的肺叶分割图像与肺叶标签的损失函数进行训练优化目标网络的参别器的损失函数采用衡量生成器输出的预测的肺叶分割图像的分布pz和肺叶标签分布其中BCE[G(x),Real]表示生成器G输出的预测的肺叶分割图像G(x)与肺叶标签Real肺叶分割模块，用于将待分割的三维CT图像输入至分割模型构建训练数据集，所述训练数据集的每一样本包下采样模块在输出前对输出做图像锐化处理；所述锐化空间注意力模块包括平均池化层、将训练数据集的每一样本作为目标网络的输入，以最小化预测的肺7.一种电子设备，包括存储器、处理器及8.一种包含计算机可执行指令的存储介质，所述执行时实现如权利要求1_5任一项所述的多任务学习框架下结合4重要生成模型，即两个网络（生成器和判别器）在同一时间训练并且在极小化极大算法目标分割图像的不一致性方面表现出更好的效率。如何设计生成对抗网络模型生成器来更好的获取上下文空间信息，以完成有效的图像编解码工作，是利用基于生成对抗网络的语5注意力模块的输入特征图进行逐元素在空间维度上乘入，得到锐化空间注意力模块的输6码器将编码器提取的特征解码获得预测的肺叶分割图像的主要任务和第二解码器将编码器输出的预测的肺叶分割图像的分布pz和肺叶标签分布preal之间的EM距离，生成器的损[0022]其中BCE[G(x),Real]表示生成器G输出的预测的肺叶分割图像G(x)与肺叶标签7注意力模块的输入特征图进行逐元素在空间维度上乘入，得到锐化空间注意力模块的输Net中插入通道注意力模块和锐化空间注意力模块来提高生成器网络的空间信息建模能力8[0040]下面结合附图和具体实施例对本发明提出的一种多任务学习框架下结合注意力是指在U_Net中插入通道注意力模块和锐化空间注意力模块来提高生成器网络的空间信息成主要任务，将编码器提取的特征解码获得预测的肺叶分割图像；第二解码器用于完成辅用U_Net全卷积神经网络作为主要任务、辅助任务的二维图像分类网络；图2所示为一种U_Net全卷积神经网络结构图，U_Net分为压缩路径（contractingpath）和扩展路径有效卷积和1个最大池化MaxPooling降采样，有效卷积由Conv卷积层、BatchNorm归一化9上采样模块包括MaxUnPool最大反池化层和多个有效卷积，上采样模块开始之前通过反卷径下采样模块输出的特征图合并，由于左侧压缩路径和右侧扩展路径的特征图的尺寸不一样，U_Net是通过将压缩路径的特征图裁剪到和扩展路径相同尺寸的特征图进行归一化的（即图2中黑色箭头部分称之为串接concatenation操作。最后一个上采样模块最后使用肺叶和背景。道信息的建模来强化重要特征；在卷积网络中加入注意力机制模块（Attention[0053]X4=(K3*X3)，[0056]XO=X+XQX4，ij[0076]与前述一种多任务学习框架下结合通道及锐化注意力的肺叶分割方法的实施例[0077]参见图5，本发明实施例提供的一种多任务学习框架下结合通道及锐化注意力的[0080]本发明多任务学习框架下结合通道及锐化注意力的肺叶分割系统的实施例可以施例中的一种多任务学习框架下结合通道及锐[0085]所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力介质用于存储所述计算机程序以及所述任意具备数据处理能