CN114663423B 一种基于多尺度特征提取的胸腺瘤ct图像分割方法 （江门市中心医院）

一种基于多尺度特征提取的胸腺瘤CT图像本发明公开了一种基于多尺度特征提取的UNet网络的编码器中结合基于不同复杂度和不同尺度卷积的DBB结构来提取胸腺瘤CT图像中肿关系，实现不同尺度下空间特征的降维和重标2S1、在传统UNet网络的编码器中结合基于不同复杂度和不同尺度卷积的DBB结构来提编码阶段采用DBB结构中的小尺度卷积核来关注病灶的位置信息和轮廓信息，使用大尺度的卷积核来关注病灶的区域信息；同时在DBB结构之后使用特征降维和重标定来建立解码阶段同样采用DBB结构中多尺度卷积来获取对应编码阶段提取的特征以减少解码过程中信息的丢失，同时在DBB结构之后通过特征降维和特征重标定来增强对目标任务有特征空间降维阶段，使用全局均值池化函数对每个特征通道在空间H×W上进行压缩；特征重标定阶段，将压缩为1×1×C的输入通过两个全连接和ReLU激活函数建立通道之间的相关性，使用sigmoid门控函数作为自选机制将压缩阶段嵌入在通道维度上的向量3要性日益凸显。而医学图像的准确分割成为临床诊断中的关键步骤之一,肿瘤分割是否准分实性肺结节分割[J].华南理工大学学报(自然科学版),2019,47(02):41-49+58癌灶分割算法[J].光子学报,2021,50(06):205-216]提出结合MRF能量和DCE-MRI时域特征4[0008]S1、在传统UNet网络的编码器中结合基于不同复杂度和不同尺度卷积的DBB结构[0011]编码阶段采用DBB结构中不同复杂度分支中的小尺度卷积核来关注病灶的位置信络的结构，DBB结构中不同复杂度的分支可以通过卷积的同质性和加法特性推理变换为单[0012]解码阶段同样采用DBB结构中多尺度卷积来获取对应编码阶段提取的特征以减少解码过程中信息的丢失，同时在DBB结构之后通过特征降维和特征重标定来增强对目标任[0018]特征重标定阶段，将压缩为1×1×C的输入通过两个全连接和ReLU激活函数建立通道之间的相关性，使用sigmoid门控函数作为自选机制将压缩阶段嵌入在通道维度上的[0019]本发明的分割结果的DICE系数为88.90、交并比IOU为80.15、真阳性率TPR为5[0020]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、[0030]S1、在传统UNet网络的编码器中结合基于不同复杂度和不同尺度卷积的DBB结构[0034]本发明中编码阶段采用DBB结构中不同复杂度分支中的小尺度卷积核来关注病灶了简化网络的结构，DBB结构不同复杂度的分支可以通过卷积的同质性和加法特性推理变6出通道数为E。然而可以卷积的同质性和加法特性将通过两个卷积核的输出推理为单一的[0050]o:-o8rstbr(8)[0056]式中F=TRANS(Fi)8F2,b=b8F2+b2,TRANS(F1)为F1的第一个维度和第二维度7[0061]解码阶段同样采用DBB结构中多尺度卷积来获取对应编码阶段提取的特征以减少达能力，本文在每个DBB结构之后引入特征压缩和激活的注意力机制对不同尺度下的空间[0069]特征重标定部分，将压缩为1×1×C的输入通过两个全连接和ReLU激活函数建立通道之间的相关性，使用sigmoid门控函数作为自选机制将压缩阶段嵌入在通道维度上的个全连接层降维r倍，然后经过ReLU激活函数激活之后再经过第二个全连接层扩张为原来8[0073]通过上式(17)的操作将重标定的输出权重通过乘法逐通道加权到原空间的特征[0076]本实验中一共收集了137例胸腺瘤CT影像数据，胸腺瘤CT影像数据的获取是采用SiemensSomatom16排CT以及Siemens双源FlashCT,ToshibaAquilion64排CT和GE扫描。多平面重组图像(multiplnarr[0078]本发明实验环境如下：处理器为Inter(R)Core(TM)i7-78为NVIDIATITANXpCOLLECTORSEDITI量数batchsize为8，网络优化算法使用自适应矩阵估计算法(Adam优化算法)更新网络参9割为正样本的像素集；FP(FalsePositives)表示错误分割为正样本的像素集；TN(TrueNegatives)表示正确分割为负样本的像素集；FN(FalseNegatives)表示错误分割为负样段中使用maxpool层响应最大的位置信息进行非线性上采样得到稀疏的特征图，在特征图扩充的时候可能存在信息的丢失导致分割误分割；2)由图7中(a3)和(d3)可以发现当病灶构与UNet模型的分割结果，其分割结果均比基于残差连接的ResUNet模型分割结果、基于看出本发明方法的分割结果影像医生手动分割[0091]表1是不同模型对