[發(fā)明專利]基于Self-Attention機(jī)制的腦組織圖像分割模型方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310372887.6
• 申請(qǐng)日: 2023-04-10
• 公開(kāi)（公告）號(hào): CN116402832A
• 公開(kāi)（公告）日: 2023-07-07
• 發(fā)明（設(shè)計(jì)）人: 于海平;孫萍;周俊杰
• 申請(qǐng)（專利權(quán)）人: 武漢軟件工程職業(yè)學(xué)院（武漢開(kāi)放大學(xué)）
• 主分類號(hào): G06T7/10
• 分類號(hào): G06T7/10;G06N3/0464;G06N3/08
• 代理公司: 武漢兮悅知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42246
• 代理人: 劉志強(qiáng)

一種基于Self?Attention機(jī)制的腦組織圖像分割模型方法，采用如下步驟：首先，根據(jù)多模態(tài)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(shù)學(xué)模型；然后，設(shè)計(jì)兩種實(shí)施方法解決腦部影像分割問(wèn)題：實(shí)施方法(1)利用局部近似估計(jì)的方法建立偏移場(chǎng)信息模型，在這個(gè)基礎(chǔ)之上，建立基于局部區(qū)域的能量分割模型并進(jìn)行模型計(jì)算的加速優(yōu)化；實(shí)施方法(2)在圖像預(yù)處理的基礎(chǔ)上，構(gòu)建基于Self?Attention的變異U?Net分割模型，并利用LSM對(duì)模型結(jié)果進(jìn)行校正；最后，利用兩種實(shí)施方法分別得到待分割圖像的結(jié)果。通過(guò)方法(1)中基于局部區(qū)域的能量模型的實(shí)施，提高了腦部影像中因偽影、強(qiáng)噪聲等灰度不均質(zhì)特性造成的分割精度問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及一種腦組織圖像分割模型方法，具體是一種基于Self-Attention機(jī)制的腦組織圖像分割模型方法。

背景技術(shù)

現(xiàn)有很多以腦部醫(yī)學(xué)圖像為研究對(duì)象，這類圖像因受到光照、拍攝角度及接受圖像線圈頻率不均性等外因的影響，易呈現(xiàn)出灰度不均質(zhì)的特性，這種特性主要體現(xiàn)在圖像局部統(tǒng)計(jì)特性的系統(tǒng)變化上，現(xiàn)有的基于能量的圖像分割模型均是以如公式(1)所示的數(shù)學(xué)模型為基礎(chǔ)構(gòu)建的。

I(x)＝b(x)J(x)+n(x),x∈Ω????(1)

其中公式(1)中，I(x)表示獲取的原始圖像，b(x)表示圖像中灰度不均區(qū)域的偏移場(chǎng)信息模型，J(x)表示真實(shí)圖像，N(x)表示圖像的噪聲信息模型。

上述數(shù)學(xué)模型中存在的問(wèn)題主要表現(xiàn)在：待分割圖像的噪聲信息、偏移場(chǎng)信息的數(shù)學(xué)模型的不完善性和現(xiàn)有的模型大多數(shù)是將噪聲信息模型忽略為前提構(gòu)建分割模型，該類模型的建立導(dǎo)致了在這種假設(shè)的基礎(chǔ)上設(shè)計(jì)的分割模型對(duì)噪聲信息魯棒性較差、灰度不均醫(yī)學(xué)圖像分割的精度不高等問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于Self-Attention機(jī)制的腦組織圖像分割模型方法，本方法利用近似理論擬合偏移量的方法建立腦部圖像的偏移場(chǎng)信息模型，結(jié)合統(tǒng)計(jì)模型的理論知識(shí)及水平集方法建立符合灰度不均腦部醫(yī)學(xué)圖像特性的數(shù)學(xué)模型，以解決上述問(wèn)題。

一種基于Self-Attention機(jī)制的腦組織圖像分割模型方法，采用如下步驟：

首先，根據(jù)多模態(tài)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(shù)學(xué)模型；

然后，設(shè)計(jì)兩種實(shí)施方法解決腦部影像分割問(wèn)題：實(shí)施方法(1)利用局部近似估計(jì)的方法建立偏移場(chǎng)信息模型，在這個(gè)基礎(chǔ)之上，建立基于局部區(qū)域的能量分割模型并進(jìn)行模型計(jì)算的加速優(yōu)化；實(shí)施方法(2)在圖像預(yù)處理的基礎(chǔ)上，構(gòu)建基于Self-Attention的變異U-Net分割模型，并利用LSM對(duì)模型結(jié)果進(jìn)行校正；

最后，利用兩種實(shí)施方法分別得到待分割圖像的結(jié)果。

進(jìn)一步，利用近似理論擬合偏移量的方法建立腦部圖像的偏移場(chǎng)信息模型，結(jié)合統(tǒng)計(jì)模型的理論知識(shí)及水平集方法建立符合灰度不均腦部醫(yī)學(xué)圖像特性的數(shù)學(xué)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。

進(jìn)一步，所述實(shí)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(shù)學(xué)模型基礎(chǔ)上構(gòu)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(jì)圖像像素點(diǎn)鄰近區(qū)域的偏移場(chǎng)的方式構(gòu)建偏移場(chǎng)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(gòu)建局部能量信息模型，并利用基于可變參數(shù)的正則化信息模型穩(wěn)定曲線迭代的進(jìn)程；

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

最后得到分割的結(jié)果。