[發明專利]一種基于對偶注意力機制的CT腎臟區域級聯分割方法

有效

• 申請號: 202011199922.1
• 申請日: 2020-10-30
• 公開（公告）號: CN112258526B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 孫玉寶;辛宇
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06V10/25;G06V10/80;G06V10/82;G06N3/045;G06N3/08;G06T19/20
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

1.一種基于對偶注意力機制的CT腎臟區域級聯分割方法，其特征在于，包括如下步驟：

S101、對原始CT圖片進行預處理操作，獲得訓練數據集；

S102、設計三維對偶注意力模塊，充分提取完備的特征信息；

S103、構建三維對偶注意力模塊驅動的CT圖像腎臟感興趣區域級聯分割網絡；

S104、設計級聯分割網絡的損失函數，并學習網絡參數；

S105、將S101得到的訓練數據下采樣一倍作為輸入，送入S103的級聯分割網絡的第一級粗分割網絡；把第一級粗分割網絡的結果上采樣一倍，與原始輸入的訓練數據融合后送入第二級細分割網絡學習，并獲得最終分割結果；

其中，S102中，在主干通路的基礎上引入三維對偶通路，通過三維對偶通路獲取主路徑的互補信息；三維對偶注意力模塊的原始輸入為U∈R^H×W×D×C，其中H，W，D分別代表特征的三維空間對應尺寸，C代表特征的通道數，U_c表示第c通道的三維特征；三維對偶注意力模塊首先去執行投影操作F_pr(U)，分別對各個通道特征U_c進行處理，即沿著三個不同的空間維度分別進行全局平均池化操作；將C個通道特征在三個不同的空間維度投影后的向量組和為特征矩陣；并經維度拓展后，求和得到三維對偶注意力模塊投影操作的輸出Z；主干通路首先對投影特征Z進行兩次卷積操作，并分別用Relu和sigmoid作為激活函數，激活操作后的注意力和注意力模塊的輸入特征U進行點乘操作，產生新的特征圖三維對偶通路對投影特征Z進行sigmoid激活函數，然后進行取1減取反操作，并經卷積處理后獲得三維對偶通路的注意力特征并與特征U進行點乘，獲得三維對偶特征兩個通路的特征求和后作為三維對偶注意力模塊的最終輸出

S103中，把S102設計的三維對偶注意力進搭載到金字塔式的雙尺度注意力驅動的CT圖像腎臟腫瘤級聯分割網絡；級聯分割網絡包括兩級，第一級為粗分割網絡，第二級為細分割網絡；三維對偶注意力驅動的3D編解碼網絡作為級聯分割網絡的基本結構；該3D編解碼網絡包括編碼器與解碼器兩個部分，編碼器部分通過下采樣操作形成多尺度的特征表達，解碼器部分通過多次上采樣操作將特征分辨率提升到原CT圖像的分辨率，進而實現像素級的語義分割；在編碼器與解碼器建立跳層連接，將圖像信息傳遞至同尺度的解碼層；三維對偶注意力模塊部署于跳層連接中；在粗分割網路中采用跨尺度特征融合模塊，將編碼器的最低分辨率的高級語義特征和最頂層的高分辨低級語義特征圖進行融合。

2.如權利要求1所述的級聯分割方法，其特征在于，步驟S101中的預處理操作包括對原始CT圖像灰度窗調節、格式轉換和圖像增強。

3.如權利要求1所述的級聯分割方法，其特征在于，步驟S102中當主干通路對感興趣區域存在漏檢時，三維對偶通路通過取反操作，提取特征圖中的互補信息。

4.如權利要求1所述的級聯分割方法，其特征在于，編碼器中每個分辨率尺度特征處理的基本模式為：特征下采樣后輸入殘差模塊進行卷積處理，在殘差模塊中對輸入的特征進行三次3×3×3卷積處理，并通過殘差連接和殘差模塊輸入相加后作為輸出。

5.如權利要求4所述的級聯分割方法，其特征在于，將三維對偶注意力模塊輸出的特征與解碼器特征按通道串接后，通過輸入特征進行n個3×3×3卷積處理后將特征通道數調整至n通道，并與殘差連接傳遞的解碼器特征進行求和融合，生成最終的語義分割結果。

6.如權利要求1所述的級聯分割方法，其特征在于，步驟S104具體包括，選擇Dice損失函數作為損失函數，級聯分割網絡中每一級網絡都由Dice損失函數來優化。