CN118365884B 用于三维磁共振图像的双向注意力并行网络分割方法 （河北工程大学）

用于三维磁共振图像的双向注意力并行网振图像的双向注意力并行网络分割方法，其包括:S1、改进通道注意力机制模块处理三维磁共造通道注意力机制和平行空间注意力机制提取到空间和通道特征，结合一致性训练与熵正则2S11:将输入三维磁共振图像X进行全局平均池化操作来得到聚合特征；对一个相邻通维磁共振图像X相乘；把前面得到的归一化权重加权到通道注意力机制模块的每个通道的步骤S12中的通道注意力机制模块通过两个并列子模块并行处理，第一子模块为自适S13：将步骤S12得到的通道注意力机制模块与三S22：使用卷积核进行卷积操作融合三维磁共振图像信息，将卷积后的结果经过sigmoid函数对空间注意力特征图的空间权重归一化，再将其与输入空间注意力特征图相s获取步骤S2得到的三维磁共振图像输入块，经第一运行模步骤S3中经第一运行模式处理得到三维磁共振图像第一特经第二运行模式处理得到三维磁共振图像第二特征块，具3理得到包含空间方面注意的三维磁共振图像第二S41：采用一个编码器和三个解码器组成双向注意力并行网络训练模型训练步骤S3得AB和sPLC三个解码器的输出结果互相监督进行训个解码器交叉熵和一致性损失构建双向注意力并行网络训练模型的训练总损失函数Loss，2.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特3.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特第二解码器进行三线性插值操作之后再进行转置卷积第三解码器使用最邻近插值对先前传输的特征图像进行扩展4.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特5.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S42中双向注意力并行网络训练模型的训练总损失函数Loss为将分割损失函c42为均方误差损失函数；5能够为医生的诊断提供丰富的看得见的信息。随着计算机计算能力与神经网络的蓬勃发主要是通过相同语义标签的区域具有大量相似的特征并与不同语义标签的区域不相似来要少量的有标记数据集与大量的无标记的数据集就能够训练出一个正确率略低于全监督学习的网络模型。这种方法是先通过少量有标签的数据集进行全监督训练来生成一个模6分割问题已经被完美解决。目前的半监督医学图像分割的准确度虽然已经能够达到80％_90但离能够应用在临床中还有所差距，从少量的注释数据中学习判别性特征并实现准[0011]S11:将输入三维磁共振图像X进行全局平均池化操作来得到聚合特征；对一个相入三维磁共振图像X相乘后加权到通道注意力机制模块的每个通道的特征上；确定通道注[0015]S21：通过步骤S1中的三维磁共振图像特征图的空间内部关系产生空间注意力特[0016]S22：使用卷积核进行卷积操作融合三维磁共振图像信息，将卷积后的结果经过sigmoid函数对空间注意力特征图的空间权重归一化，再将其与输入空间注意力特征图相7[0022]S41：采用一个编码器和三个解码器组成双向注意力并行网络训练模型训练步骤个解码器从编码器接收相同的深度特征Fe，生成三个深度特征FA，FB和FC；然后，利用AB和sPLC三个解码器的输出结果互相监督进用三个解码器交叉熵和一致性损失构建双向注意力并行网络训练模型的训练总损失函数进行下采样操作得到包含通道方面注意的三维磁共振图像第间注意力机制模块处理得到包含空间方面注意的三维磁共8[0035]优选地，步骤S42中双向注意力并行网络训练模型的训练总损失函数Loss为将分[0046](1)本发明设计的改进通道注意力机制，通过学习自适应平均池化与自适应最大[0047](2)本发明通过设计的平行空间注意力机制进行协同作用，将最大池化与平均池[0048](3)本发明采用了一个编码器和三个不同的解码器组成，并用一致性损失来约束9[0055]图7为本发明的多种方法在LA数据库上两种不同监督设置下的图像分割结果对比[0059]步骤S11:将输入三维左心房磁共振图像X进行全局平均池化操作来得到聚合特络对一个相邻通道进行快速一维卷积来获得对对于三维左心房磁共振图像是不能直接拿来处理的，经过平均池化操作后的后两个为1的再与输入三维左心房磁共振图像X相乘；把前面得到的归一化权重加权到通道注意力机制[0063]如图4所示为本发明的改进通道注意力机制网络的模型示意图；实施例中不再是[0066]步骤S21：通过步骤S1中的三维左心房磁共振图像特征图的空间内部关系来产生信息能让网络更清楚的了解到各个区域的空间信息。通过消融研究也成功证实了这一点。平行空间注意力机制模块示意图如图6所示；先沿着通道轴对输入特征块分别进行平均池化和最大池化操作；证明了沿着通道轴进行池化操作对于获取区域的特殊信息是有帮助果经过sigmoid函数对特征图的空间权重归一化，再将新得到的这个权重与输入特征快相的结果经过sigmoid函数对空间注意力特征图的空间权重归一化，再将其与输入空间注意输入三维左心房磁共振图像X。这样，新得到的最后这个块不仅包含了空间中两方面的关[0076]然后将三维左心房磁共振图像第一特征块和三维左心房磁共振图像第二特征块[0078]步骤S41：采用一个编码器和三个解码器组成双向注意力并行网络训练模型来训交叉熵和一致性损失构建双向注意力并行网络训练模型的训练总损失函数Loss是将分割[0093]如图2所示为本发明的用于三维左心房磁共振图像分割的双向注意力并行网络的[0094]本发明实施例以心房分割挑战的LA数据库进行评估，这个数据集是由100个带有境下用固定的随机种子进行的。计算机配置为：13thGenIntelCorei7_13700HXCPU,[0095]本发明实施例在LA数据库上进行了比较：UA_MT,SASSNet,DTC,DAP,LG_ER_MT，没有使用任何形态学算法后处理模块来处理[0096]本发明实施例使用四种不同的指标来评估模型性能，即Dice相似度得分(DSC)、督设置下的结果(1020全部标注数据)作为参考。本方法在所有四个评估指标上都实