CN115661165B 基于增强注意力的编解码网络胶质瘤融合分割系统及方法 （中国科学院西安光学精密机械研究所）

基于增强注意力的编解码网络胶质瘤融合本发明涉及一种基于增强注意力的编解码间长，2D模型深度信息分割效果不佳的技术问分类编解码网络模型和二分类分割辅助网络模2所述四分类编解码网络模型用于基于核心坏死区、水肿区、增强肿所述二分类分割辅助网络模型结构与编解码网络子模型的结构相同，二网络模型用于在轴方向基于肿瘤核心区和正常区所述增强注意力模块包括特征编码单元、位置编码单元、4～8个结所述多通道自注意力单元接收编码数据信息，用于向编码数据信息全连接前馈网络单元接收第一拼接数据信息，用于对特征向2.根据权利要求1所述的基于增强注意力的编解码网络胶质瘤融合分割系统，其特征3.根据权利要求1或2所述的基于增强注所述编码模块的输入卷积模块输出第一特征图，第一下采样模所述解码模块的各个上采样模块均包括上采样层、拼接单元及双层卷3采样模块的拼接单元接收对应上采样层的输出信息和第四特征图进行拼接后输出给对应元接收对应上采样层的输出信息和第一特征图进行拼接后输出给对应的双层4.一种基于增强注意力的编解码网络胶质瘤融合分割将步骤S1中的轴方向的训练数据集输入轴方向初始编解码网络子模将步骤S1中的轴方向的训练数据集输入初始二分类分割辅助网络模型，进行训将步骤S1中的轴方向验证数据集、冠方向验证数据集、矢方向验证加且增加量大于等于当前DICE分数α1的1则返回步骤S3继续对四分类编解码网络模型且增加量大于等于当前DICE分数α2的1则返回步骤S3继续对二分类分割辅助网络模型45.根据权利要求4所述的基于增强注意力的编解码网络胶质瘤融合分割方法，其特征5[0002]胶质瘤是最常见的一类脑部肿瘤，具有不同程度的侵袭性和高度异质性的子区共振成像(MRI)和计算机断层扫描(CT)是最常用的诊断工具，临床上由医生及专业人员通[0003]然而，脑胶质瘤的内在组织学变异因MRI扫描肿瘤特征(如强度)的异质性而进一[0005]尽管基于卷积神经网络的分割方法效果显著，但在脑胶质瘤分割这类复杂任务6辅助网络模型用于在轴方向基于肿瘤核心区和正常区两个子区域进行特征提取和区域分7四上采样模块的拼接单元接收对应上采样层的输出信息和第四特征图进行拼接后输出给接单元接收对应上采样层的输出信息和第一特征图进行拼接后输出给对应的双层卷积单8α1增加且增加量大于等于当前DICE分数α1的1则返回步骤S3继续对四分类编解码网络增加且增加量大于等于当前DICE分数α2的1则返回步骤S3继续对二分类分割辅助网络[0038]将对应方向训练数据集随机打乱输入初始编解码网络子模型得到初步预测分割[0040]在轴向训练数据集中合并增强肿瘤区和核心坏死区两子区域标签掩码为肿瘤核始二分类分割辅助网络的权重，达到初始二分类分割辅助网络收敛条件后保存网络参数，9口大小裁剪原始3D影像和对应标签掩码，以去除与实际成像数据不相关的冗余空白边界，入具有长距离全局结构信息和特征间交互关系的增强注意力机制，可以弥补原有基于U型全卷积神经网络方法的卷积操作权值共享等特性，解决了现有U型全卷积神经网络存在感息；自注意力模块利用编码器末端语义特征之间的全局交互来显式建模完整的上下文信[0055]图1为本发明基于增强注意力的编解码网络胶质瘤融合分割系统实施例中轴方向[0056]图2为本发明基于增强注意力的编解码网络胶质瘤融合分割系统实施例中轴方向[0058]图4为采用本发明实施例分隔方法分割结果与真值标签对比示意图，其中，(a)、该系统包括四分类编解码网络模型和二分类方向编解码网络子模型；二分类分割辅助网络模型结构与编解码网络子模型的结构相同，二分类分割辅助网络模型用于在轴方向基于肿瘤核心区和正常区两个子区域进行特征提特征增强模块及双层卷积输出模块；特征编码单元和位置编码单元分别接受最底层特征上采样模块依次连接，且采样的输入通道和输出通道呈与各个下采样模块相同指数减少；拼接单元接收对应上采样层的输出信息和第三特征图进行拼接后输出给对应的双卷积层；第二上采样模块的拼接单元接收对应上采样层的输出信息和第二特征图进行拼接后输出[0073]本实施例提供上述基于增强注意力的编解码网络胶质瘤融合分割系统的分隔方有人工标注掩码的完整3D脑部扫描病例数据，每个3D扫描数据由液体衰减反转恢复序列值标签掩码构成，单个病例的每个模态数据和真值标签掩码形状统一配准到尺寸：240*融合编码之后输入由6个相同的层组成的特征增强模块及双层卷积输出模块，如图3所示，[0088]初始二分类分割辅助网络模型同样采用嵌入有增强注意力模块的四级跳跃连接卷积对该特征图进行编码，得到尺寸为768*144的特征向量序列并添加可学习的位置编码使用softmax算子将特征图转换为对应类别的概率图，计算输出概率图与对应真值标签掩与二分类标签掩码的交叉熵损失和DICE分数结合作为初始二分类分割辅助网络的损失函强肿瘤和坏死组织两子区域对应标签掩码1和3合并转换为肿瘤核心标签掩码1，将原无病变背景与肿瘤周围水肿两子区域对应标签掩码0和2为背景标签掩码0，然后馈送到二分类分数α1增加且增加量大于等于当前DICE分数α1的1则返回步骤S3继续对四分类编解码整四模态MR数据形状为4*192*192，输入到步骤S3的四分类编解码网络模型中，得到对应通过对三个概率图求均值获得融合三个方向的网络分的网络分割结果的增强肿瘤区域中体素集合小于200立方毫米