CN119399163A 基于自适应多层卷积神经网络的肿瘤生长预测与分割方法 （怀化学院）

基于自适应多层卷积神经网络的肿瘤生长本发明公开了一种基于自适应多层卷积神过Dice损失函数对自适应多层卷积神经网络模S10、输出肿瘤的分割结果以及生长趋势预测结2S3、构建自适应多层卷积神经网络模型，自适S4、将预处理后的医学影像数据集输入至自适应多S6、通过Dice损失函数对自适应多层卷积神适应多层卷积神经网络模型对肿瘤的生长趋势进行预测，结合注意力机制的加权特征输S9、在分割和预测过程中，自适应多层卷积神经2.根据权利要求1所述的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方3.根据权利要求1所述的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方S31、构建自适应多层卷积神经网络模型F，自34.根据权利要求1所述的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方S41、将经过预处理和标注后的医学影像数据集D5.根据权利要求1所述的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方S51、基于最终加权特征图i0,卷积层动态调整卷积核的大小步长s"和层数4自动调整卷积核步长和卷积核大小使得自适应多层卷积神经网络模型识别肿瘤与6.根据权利要求1所述的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方函数用于评估自适应多层卷积神经网络模型自适应多层卷积神经网络模型权重W，使自适应多层卷积神经网络模型的分割结果与标注数据和对应的肿瘤标注信息更新自适应多层卷积7.根据权利要求1所述的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方S72、利用自适应多层卷积神经网络模型对输入的医学影像数据进行处理，经过卷积58.根据权利要求1所述的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方6积神经网络能够通过卷积层自动提取影像中的局部特征，并结合全连接层进行分类和预[0006]本发明的一个目的在于提出一种基于自适应多层卷积神经网络的肿瘤生长预测[0007]根据本发明实施例的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割7集成的注意力机制模块对各卷积层输出的特征i为每一张医学影像，i＝1,2,…,n表示医学影像数据集中不同影像的索8l层的注意力权重，θ为激活函数，w"为注意力机制的权重矩阵，目标在肿瘤影像的不同区域中提取出局部特wg为第l层特征自动调整卷积核步长和卷积核大小使得自适应多层卷积神经网络模型识别肿9数调整自适应多层卷积神经网络模型权重W，使自适应多层卷积神经网络模型的分割结果影像数据和对应的肿瘤标注信息更新自适应多层卷积神经网；δ函数用于测量预测的边界点与实际边界点[0070]S82、通过注意力机制模块对每个时间点的特征图进行加权处理生成加权特征图为特征图；[0076]其中，Spred为肿瘤生长趋势预测结果，δ函数用于测量预测边界与实际边界的偏杂的医学影像时容易出现欠拟合或过拟合的问题，而本发明通过自适应调整卷积核大小，示本发明的方法比传统方法的Dice系数提[0079](2)本发明结合注意力机制，通过对不同区域的特征图进行加权处理使模型能够更加聚焦于肿瘤区域及其周边的重要特征。传统的卷积神经网络在处理不同区域的特征[0080](3)本发明通过结合时间序列的医学影像数据，使用自适应多层卷积神经网络和的技术，本发明的方法利用多时间点的肿瘤影像数据能够捕捉到肿瘤的非线性生长模式，性化的治疗方案和手术计划。[0082]图1为本发明提出的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方[0083]图2为本发明提出的一种基于自适应多层卷积神经网络的肿瘤生长预测与分割方集成的注意力机制模块对各卷积层输出的特征i为每一张医学影像，i＝1,2,…,n表示医学影像数据集中不同影像的索l层的注意力权重，θ为激活函数，w"为注意力机制的权重矩阵，目标在肿瘤影像的不同区域中提取出局部特特征自动调整卷积核步长s"和卷积核大小使得自适应多层卷积神经网络模型识别肿数调整自适应多层卷积神经网络模型权重W，使自适应多层卷积神经网络模型的分割结果影像数据和对应的肿瘤标注信息更新自适应多层卷积神经网；δ函数用于测量预测的边界点与实际边界点[0148]S82、通过注意力机制模块对每个时间点的特征图进行加权处理生成加权特征图为特征图；[0154]其中，Spred为肿瘤生长趋势预测结果，δ函数用于测量预测边界与实际边界的偏[0157]实验者将BraTS2020数据集和TCIA数据集分别按8:2的比例划分为训练集和测试应矩估计优化器进行训练，初始学习率设置为0.0001，并在每20个epoch后进行学习率衰表1BraTS2020数据集上不同模型表1BraTS2020数据集上不同模型0.830.7685.482.37.80.850.7886.784.16.40.910.8792.389.74.20.830.7685.482.37.80.850.7886.784.16.40.910.8792.389.74.2[0166]为了验证本发明在肿瘤生长趋势预测中的优势，实验者选取BraTS2020数据集中1