CN114782350B 一种基于注意力机制的多模态特征融合的mri脑瘤图像分割方法 （浙江工业大学）

一种基于注意力机制的多模态特征融合的本发明公开了一种基于注意力机制的多模态特征融合的MRI脑瘤图像分割方法，涉及深度训练有效的自动分割MRI脑瘤图像的网络模型，2输入MRI脑瘤图像数据集BraTS2021；BraTS2021数据集中的磁共振图像模态有T1加权通过对数据集BraTS2021中的三维图像的冠状面进行切片，每个切片要同时获得它其权成像、T2加权成像、T1ce成像、自由水抑制序列FLAIR，得到的二维图像数据集记为网络模型的泛化能力，最后对所有数据进行归一化处理将图像强度值限定在一定的范围构建分割模型BraTSegNet；分割模型包括一个主干网络和两个关键模块组成，即(x)和Conv3x3(x)分别表示卷积核大小为1x1和3x3的卷积单元；fRB表示从主干中提取的3采用深度监督策略来设计损失函数；具体来说，在每个DAF模块和最后一练迭代过程中利用步骤3.3所述损失函数进行参根据设置好的训练策略对BraTSegNet网络模型进行训练；首先将Ima对BraTSegNet网络模型进行训练；训练分割出整个肿瘤wholetumor，简称WT、肿瘤核心45[0003]计算机辅助分割算法有可能解决这些缺点，因为它可以降低标记过程的劳动强6[0009]输入MRI脑瘤图像数据集BraTS2021。脑瘤分割挑战(BraTS)是自2012年开始举办[0012]通过对数据集BraTS2021中的三维图像的冠状面进行切片，每个切片要同时获得网络模型的泛化能力，最后对所有数据进行归一化处理将图像强度值限定在一定的范围和全局注意融合(DAF,DualAttentionFusion)模块。主干网络从输入的CT图像中提取多始/结束(即输入/输出)的特征。然后，我们使用三个DAF模块来进行特征融合来预测分割两个相邻的残差块(RB)之间的通道数量[0017]该模块利用扩大的接受域利用更多的信息特征。一个HCA模块由4个并行分支组[0020]其中fi表示扩张率为i、卷积核为3×3的空洞卷积单元；Cat(x)表示连接操作；7[0028]我们考虑两个损失，即二元交叉熵(BCE，Binarycrossentropy)损失和骰子的意思，训练完所有的数据表示一回合)和合适的初始学习率和每次更新时学习率下降的值。BraTSegNet网络模型中采用反向传播算法(BP)算法对网络中的权重和偏置进行更新。训练迭代过程中利用步骤3.3所述损失函数进行参的运算，它提供了一个集合中的元素的数量。根据此公式分别计算整个肿瘤(WT:wholetumor)、肿瘤核心(TC:tumorcore)和增强肿瘤区域(ET,enhancingtumor)的骰子相似性8[0049]如图1所示，本发明的一种新的基于迁移学习和注意力机制的肺部CT图像分割方[0051]输入MRI脑瘤图像数据集BraTS2021。脑瘤分割挑战(BraTS)是自2012年开始举办[0054]通过对数据集BraTS2021中的三维图像的冠状面进行切片，每个切片要同时获得网络模型的泛化能力，最后对所有数据进行归一化处理将图像强度值限定在一定的范围Aware)模块和简易注意融合(DAF,DualAttentionFusion)模块。主干网络从输入的CT图9[0062]其中fi表示扩张率为i、卷积核为3×3的空洞卷积单元；Cat(x)表示连接操作；Attention)模块和空间注意力(SpatialAttention)模块串联起来，我们在CA模块中使用[0070]我们考虑两个损失，即二元交叉熵(BCE，Binarycrossentropy)损失和骰子回合)和合适的初始学习率和每次更新时学习率下降的值。BraTSegNet网络模型中采用反向传播算法(BP)算法对网络中的权重和偏置进行更新。训练迭代过程中利用步骤3.3所述练的ResNet块参数加载到我们的模型的运算，它提供了一个集合中的元素的数量。根据此公式分别计算整个肿瘤(WT:wholetumor)、肿瘤核心(TC:tumorcore)和增强肿瘤区域(ET,enhancingtumor)的骰子相似性[0084]保存已经训练好的网络