CN115829986B 基于卷积重参数化的医学图像分割方法、系统及设备 （中国科学院苏州生物医学工程技术研究所）

本发明公开了一种基于卷积重参数化的医将待分割的医学图像输入训练好的医学图像分2S3、构建基于卷积重参数化的医学图像分割模型所述下采样部分包括交替连接的3个第一优化残差模块和3个多尺度非对称卷积模块，所述上采样部分包括交替连接的3个上采样模块和3个第三优化残差模采样模块和所述中间连接单元连接，最后一个第三优化残差模块与所述卷积输出模块连其中，下采样部分中的每个第一优化残差模块的输出通过所述输入模块为由16个大小为3的卷积核组成的初始非对称所述第一优化残差模块、第二优化残差模块和第三优化残差模块的所述多尺度非对称卷积模块包括第一卷积单元和第二卷积单元，括并联的一个5*5*5卷积模块、3个通过5*5*5卷积模块进行卷积重参数化分解得到的5*5*注意力模块将下采样部分中的一个第一优化残差模块的输出与上采样部分中同一级的一37.一种计算机设备，包括存储器、处理器4振影像(MRI)可用于精确定位胶质瘤的位置及判定肿瘤对大脑结构和功能的影响。胶质瘤具备因式分解卷积的特性，导致非对称卷积的因式分解形式在三维卷积应用中面临挑战。像分割中还存在卷积核尺度单一导致的感受野受限、U_net的下采样和上采样中特征信息[0004]现有胶质瘤分割方法大多采用经典深度学习网络进行肿瘤分割，如:U_net[多模cascadeddeepconvolutionalneuralnetwork,力201739thAnnualInternationalConferenceoftheIEEEEngineeringinMedicineandBiologySociety(EMBC),5BasedMethod.”In:Crimi,A.,Bakas,S.,Kuijf,H.,Menze,B.,Reyes,M.(eds)Brainlesion:Glioma,MultipleSclerosis,StrokeandTraumaticBrainInjuries.BrainLes2017.LectureNotesinComputerScience,vol10670.Springer,Cham.[0008][3]Gupta,V.,Bibhu,V.“DeepresidualnetworkbasedbraintumorsegmentationanddetectionwithMRIusingimprovedinvasivebatalgorithm.”[0009][4]MinWang,BaoyuanLiu,HassanForoosh,“FactorizedConvolutional[0010][5]EmilyLDenton,WojciechZaremba,etal.,“Exploitinglinearinneuralinformationprocessingsystem[0011][6]MaxJaderberg,AndreaVedaldi,andAndrewZisserman.“Speedingup1405.3866,2014.[0012][7]JonghoonJin,AysegulDundar,andEugenioCulurciello.“Flattenedconvolutionalneuralnetworksforfeedforwardacceleration.”arXivpreprintarXiv:1412.5474,2014.[0013][8]XiaohanDing,YuchenGuoetal.,“ACNet:StrengtheningtheKernelSkeletonsforPowerfulCNNviaAsymmetricConvolutionBlocks,”arXiv:1908.03930[cs.CV],2019.[0014][9]ZilongZeng,TengdaZhaoetal.,“3D_MASNet:3DMixed_scaleAsymmetricConvolutionalSegmentationNetworkfor6_month_oldInfantBrainMR[0020]所述下采样部分包括交替连接的3个第一优化残差模块和3个多尺度非对称卷积6第一卷积单元包括并联的一个5*5*5卷积模块、3个通过5*5*5卷积模块进行卷积重参数化[0034]优选的是，所述步骤S4中对医学图像分割模型进行训练使用的损失函数为Dice_[0036]其中，A为分割金标准，B为医学图像分割模型得到的分割结果，通过Cosine_7[0052]本发明提供的基于卷积重参数化的医学图像分割方法及系统可以增强网络模型8[0066]下采样部分包括交替连接的3个第一优化残差模块和3个包括并联的一个5*5*5通用卷积模块、3个通过5*5*5卷积模块进行卷积重参数化分解得到注意力模块的优势可以通过图像自身的全局灰度信息作为指导从而提取到更多的肿瘤区[0077]步骤S4中对医学图像分割模型进行训练使用的损失函数为Dice_Loss，并使用[0079]其中，A为分割金标准，B为医学图像分割模型得到的分割结果，通过Cosine_9[0094](1)首先，将4*128*128*96的多模态医学图像数据输入初始非对称卷积模块进行[0096]多尺度非对称卷积模块将通用的卷积重参数化为不同尺作为多尺度非对称卷积模块的输出；第一个多尺度非对称卷积模块输出得到64*64*64*48的特征图；最终通过3组交替连接的第一优化残差模块、多尺度非对称卷积模块得到256*[0097](3)在上采样部分中，通过自注意力模块将下采样部分中的一个第一优化残差模块的输出端相连的一个第三优化残差模块中进行卷积；通过三组交替连接的上采样模块、注意力模块的优势可以通过图像自身的全局灰度信息作为指导从而提取到更多的肿瘤区[0102]步骤S4中对医学图像分割模型进行训练使用的损失函数为Dice_Loss，并使用[0104]其中，A为分割金标准，B为医学图像分割模型得到的分割结果，通过Cosine_分割指标dice系数(DICE)、95％Hausdorffdistance(HD95)来评价本发明提出的分割方法的准确性，采用整体训练时间(totaltraining法的效率；本发