CN119445116A 一种基于小波池化神经网络的缺血性脑卒中图像分割方法 （北京理工大学长三角研究院(嘉兴)）

一种基于小波池化神经网络的缺血性脑卒种基于小波池化神经网络的缺血性脑卒中图像2步骤1：以U_Net卷积神经网络为基本网络架构，在残差模块IdentityBlock和卷积残差块Conv步骤2：将预处理后的256x256x4特征图输入到编码路径的卷积块中，特征图在经过第一个双层卷积残差块ConvBlock之后，得到了前后维度不一致的256x256x64的特征2.根据权利要求1所述的一种基于小波池化神经网络的缺血性脑卒中图像分割方法，3.根据权利要求1所述的一种基于小波池化神经网络的缺血性脑卒中图像分割方法，步骤302：将二维离散小波变换得到的四张分辨率减半的图像分量输入到池化层进行步骤303：将经过最大池化和离散小波分解两种下采样得到的子图在通道维度进行堆4.根据权利要求3所述的一种基于小波池化神经网络的缺血性脑卒中图像分割方法，5.根据权利要求4所述的一种基于小波池化神经网络的缺血性脑卒中图像分割方法，3步骤402：激励操作中首先将经由挤压操作得到的1x1xC的全局特征向量经过具有少量神经元的全连接层进行通道间信息交互学习，同时降低通道的维度为C/r；接着再经过步骤403：通道特征重标定操作中将通过全连接层和非线性6.根据权利要求5所述的一种基于小波池化神经网络的缺血性脑卒中图像分割方法，一个1x1的卷积进行各通道多尺度信息之间的交互融合；步骤503：将以上特征图再经过坐标注意力，进行通道信息与空间信息的注意力重分7.根据权利要求6所述的一种基于小波池化神经网络的缺血性脑卒中图像分割方法，其特征在于：所述步骤6中：首先对输入的尺寸为HxWxC的特征图在通道维度上进行全局的特征图；将两张代表着全局信息的特征图在4将空间注意力权重图与输入特征图进行矩阵乘法，即可得到在空间8.根据权利要求7所述的一种基于小波池化神经网络的缺血性脑卒中图像分割方法，较多底层信息的特征图和分别经过4倍无重叠最大池化下采样与2倍下采样，并将池化后的特征图各自经过3x3的卷积进行进一步特征提取；将同尺度特征图仅经过3性插值上采样分别放大四倍与两倍，并同样各自经过3的五种尺度特征图在通道维度进行堆叠，并统一经过3x3x32和16x16的五个初步有效特征层；解码阶段，重复步骤6过程，其中步骤7贯穿所有步5[0003]本发明的目的是提供一种基于小波池化神经网络的缺血针对目前深度学习方法在缺血性卒中分割方面存在的下采样信息丢失与多尺度捕获能力卷积残差模块IdentityBlock和卷积残差块Con卷积和坐标注意力实现多尺度特征融合提升网络的感受野和6[0016]步骤302：将二维离散小波变换得到的四张分辨率减半的图像分量输入到池化层[0017]步骤303：将经过最大池化和离散小波分解两种下采样得到的子图在通道维度进水平低频与垂直低频滤波的分量LL代表图[0026]步骤403：通道特征重标定操作中将通过全连接层和非线性学习得到的注意力权7具有较多底层信息的特征图和分别经过4倍无重叠最大池化下采样与2倍下采样，过3×3的卷积；将小分辨率但具有相对较高级语义信息的解码路径特征8[0041]图1为本发明提出的一种基于小波池化神经网络的缺血性脑卒中图像分割方法的[0042]图2为本发明提出的一种基于小波池化神经网络的缺血性脑卒中图像分割方法的[0043]图3为本发明提出的一种基于小波池化神经网络的缺血性脑卒中图像分割方法对脑卒中病变区域分割效果图与其他分割算法的分割结果对比的示9网络中采用了上述两种残差模块用来加深网络深度与特征垂直高频滤波的分量LH代表图像的垂直边缘信息以及经过水平低频与垂直低频滤波的分[0055]步骤302：将二维离散小波变换得到的四张分辨率减半的图像分量输入到池化层[0056]步骤303：将经过最大池化和离散小波分解两种下采样得到的子图在通道维度进[0064]步骤403：通道特征重标定操作中将通过全连接层和非线性学习得到的注意力权卷积和坐标注意力实现多尺度特征融合提升网络的感受野和[0072]步骤6中：首先对输入的尺寸为H×W×C的特征图在通道维度上进行全局特征提叠最大池化下采样与2倍下采样，并将池化后的特征图各自经过3×3的卷积进行进一步特过3×3的卷积层进行信息融合与通道交互，即将底层特征图中包含的目