[發明專利]基于Self-Attention機制的腦組織圖像分割模型方法

在審

• 申請號: 202310372887.6
• 申請日: 2023-04-10
• 公開（公告）號: CN116402832A
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 于海平;孫萍;周俊杰
• 申請（專利權）人: 武漢軟件工程職業學院（武漢開放大學）
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/0464;G06N3/08
• 代理公司: 武漢兮悅知識產權代理事務所(特殊普通合伙) 42246
• 代理人: 劉志強

1.基于Self-Attention機制的腦組織圖像分割模型方法，其特征在于：采用如下步驟：

根據多模態腦部影像存在的偽影、噪聲灰度不均特性，建立基于灰度不均的腦部圖像數學模型；

實施方法(1)利用局部近似估計的方法建立偏移場信息模型，在這個基礎之上，建立基于局部區域的能量分割模型并進行模型計算的加速優化；

所述實施方法(1)是以基于能量的LSM模型為分割框架，在灰度不均的腦部圖像的數學模型基礎上構建分割模型，具體方法如下：

首先，輸入待分割圖像，以局部塊狀模型為單位近似估計圖像像素點鄰近區域的偏移場的方式構建偏移場信息模型，得到校正后圖像；

接著，利用矩形塊、圓形初始化輪廓，建立基于局部能量的分割模型：利用像素間相似性構建局部能量信息模型，并利用基于可變參數的正則化信息模型穩定曲線迭代的進程；

然后，將模型嵌入LSM框架，同時利用智能優化算法優化模型的求解，提高曲線演化速度；

最后得到分割的結果；

偏移場信息模型是建立在基于統計的近似理論基礎之上的，利用近似估計方法構建基于局部塊狀信息的偏移場信息模型，不僅可以有效的獲取圖像的本質特性，而且還能夠起到降噪的效果。

2.根據權利要求1所述一種基于Self-Attention機制的腦組織圖像分割模型方法，其特征在于：利用近似理論擬合偏移量的方法建立腦部圖像的偏移場信息模型，結合統計模型的理論知識及水平集方法建立符合灰度不均腦部醫學圖像特性的數學模型，該模型建立的好壞將直接影響分割模型處理圖像的精度。

3.一種基于Self-Attention機制的腦組織圖像分割模型方法，其特征在于：采用如下步驟：

首先，根據多模態腦部影像存在的偽影、噪聲灰度不均特性，建立基于灰度不均的腦部圖像數學模型；

實施方法(2)是以基于Self-Attention機制下的U-Net網絡模型的方式進行實施；Self-Attention機制可以有效提取相關聯像素的特征，這種方法的目的是可以提高深度網絡的速度，還可以在考慮局部圖像特征的同時加入全局關聯特征；

實施方法(2)的具體方法如下：

首先，輸入待分割圖像，構建變異深度卷積網絡模型：在深度網絡的感受野部分引入Self-Attention，替代一部分感受野，進一步提取相關聯像素的特征；特別是在腦部圖像模糊邊緣處，利用自注意力機制有效提取邊緣處相關聯像素的特征可以更好地分割邊緣細節，同時進行深度向前反饋操作，這種操作可以精煉傳統網絡感受野個數，提高網絡的速度；然后利用LSM圖像底層特性的優勢矯正分割圖像；最后輸出分割結果；

將自注意力機制特性遷移到深度網絡結構中，利用Self-Attention高效的提取關聯像素特征的優勢，經過變異后的U-Net網絡充分利用圖像的關聯特性，最終提高實現提高腦部圖像分割的精度和速度。

4.根據權利要求3所述一種基于Self-Attention機制的腦組織圖像分割模型方法，其特征在于：實施方法(2)在圖像預處理的基礎上，構建基于Self-Attention的變異U-Net分割模型，并利用LSM對模型結果進行校正。