本發(fā)明涉及圖像分割，尤其涉及一種混合尺度注意力的wmh圖像分割系統(tǒng)。

背景技術：

1、腦白質(zhì)高信號(white?matter?hyperintensities,wmh)是指在磁共振成像(mri)圖像上表現(xiàn)為白質(zhì)區(qū)域的高信號病灶。這種病灶常見于老年人群中，并與腦卒中、癡呆等多種神經(jīng)系統(tǒng)疾病密切相關。目前，wmh的檢測主要依賴于醫(yī)生在mri圖像上進行手動標注。這種方法雖然在一定程度上可以提供準確的診斷結果，但其局限性也是顯而易見的。首先，手動標注依賴于醫(yī)生的專業(yè)知識和經(jīng)驗，存在較大的主觀性，不同醫(yī)生之間的判斷可能存在顯著差異。其次，手動標注過程耗時費力，對于需要分析大量圖像的情況下，效率明顯不足。此外，醫(yī)生的疲勞和注意力分散等因素也會影響檢測的準確性，可能導致漏診或誤診的情況發(fā)生。

2、隨著計算機技術和人工智能(ai)的快速發(fā)展，計算機輔助檢測在醫(yī)學影像分析中的應用越來越廣泛。特別是深度學習技術，尤其是神經(jīng)網(wǎng)絡在圖像識別和分割任務中展現(xiàn)出了極大的潛力和優(yōu)勢。神經(jīng)網(wǎng)絡能夠自動學習圖像中的特征，并進行高效的特征提取和分類，已經(jīng)在肺癌、乳腺癌等多種疾病的檢測中得到了成功應用?；谏疃葘W習的圖像自動分割方法具有分割速度快、分割精度高的優(yōu)點，且具備更廣泛的適用性?，F(xiàn)有的很多方法無法直接顯示重建效果，不能很好地輔助醫(yī)生進行定量分析。

技術實現(xiàn)思路

1、為緩解或解決上述問題中的至少一個方面或者至少一點，提出本發(fā)明。

2、本發(fā)明的一種混合尺度注意力的wmh圖像分割系統(tǒng)，包括：

3、獲取單元，用于獲取wmh圖像數(shù)據(jù)集；選擇具有腦白質(zhì)高信號的mri，將mri的數(shù)據(jù)文件格式由dicom格式轉換為圖片格式，以獲取作為mixatten-unet深度神經(jīng)網(wǎng)絡模型訓練集合的wmh圖像數(shù)據(jù)集；

4、增強單元，以數(shù)據(jù)增強的手段處理wmh圖像數(shù)據(jù)，獲得高質(zhì)量的訓練圖像數(shù)據(jù)集合，數(shù)據(jù)增強的手段是指采用直方圖均衡化的技術來進行數(shù)據(jù)處理；

5、分割單元，將輸入的wmh圖像數(shù)據(jù)集，采用mixatten-unet深度神經(jīng)網(wǎng)絡模型進行分割處理；

6、評價單元，對所述經(jīng)過mixatten-unet深度神經(jīng)網(wǎng)絡模型訓練的wmh圖像分割方法進行評價；

7、三維重建單元，在模型準確分割wmh圖像之后，使用分割后的圖像進行三維重建。

8、優(yōu)選的，所述mixatten-unet深度神經(jīng)網(wǎng)絡模型包括輸入模塊、特征提取模塊、跳躍連接模塊、圖像還原模塊和預測模塊；

9、所述輸入模塊用于將病人圖像數(shù)據(jù)轉換為mixatten-unet深度神經(jīng)網(wǎng)絡模型的向量輸入；

10、特征提取模塊用于逐漸降低圖像的空間分辨率，同時增加圖像特征通道的深度，用于提取圖像數(shù)據(jù)中的特征；

11、跳躍連接模塊將特征提取模塊中的高分辨率特征圖與圖像還原模塊中的相應層相連接，使模型在特征提取模塊中可以保留更多的細節(jié)信息；

12、圖像還原模塊用于逐漸恢復特征編碼后圖像的空間分辨率，用于分辨并提取模型的特征區(qū)域，增加圖像學習的信息；

13、預測模塊將解碼后的輸出變更到與輸入圖像具有相同的空間分辨率，最終預測出分割后的圖像，得到數(shù)據(jù)中的wmh區(qū)域。

14、優(yōu)選的，所述特征提取模塊包括五個特征編碼塊：

15、第一特征編碼塊包括兩個單卷積層、一個混合卷積層以及一個尺度自適應注意力層；第一特征編碼塊的輸入依次經(jīng)過單卷積層、混合卷積層以及尺度自適應注意力層；

16、第二至第五特征編碼塊在第一特征編碼塊的基礎上增加了一個混合尺度下采樣層。

17、所述輸入模塊的輸出與第一特征編碼塊相連接；

18、特征編碼塊中第一單卷積層的輸入與尺度自適應注意力層的輸出進行相加，得到特征編碼塊的輸出。

19、優(yōu)選的，所述圖像還原模塊包括四個特征解碼塊：

20、特征解碼塊依次包括一個上采樣層、三個單卷積層和一個尺度自適應注意力層；

21、特征解碼塊的輸入通過上采樣層進行特征尺寸變換后，與對應特征編碼塊的輸出特征圖進行跳躍連接，得到該特征解碼塊的第一單卷積層的輸入，該特征解碼塊的第一單卷積層的輸入與該特征解碼塊的尺度自適應注意力層的輸出相加，得到該特征解碼塊的輸出。

22、優(yōu)選的，所述跳躍連接模塊包括四個跳躍連接塊：

23、第一個跳躍連接塊將第一特征編碼塊的輸出與第四特征解碼塊的上采樣層輸出相加；第二個跳躍連接塊將第二特征編碼塊的輸出與第三特征編碼塊的上采樣層輸出相加；第三個跳躍連接塊將第三特征編碼塊的輸出與第二特征解碼塊的上采樣層輸出相加；第四個跳躍連接塊將第四特征編碼塊的輸出與第一特征解碼塊的上采樣層輸出相加。

24、優(yōu)選的，所述的尺度自適應注意力層包括通道自注意力模塊和空間自注意力模塊：

25、通道自注意力模塊將輸入的特征圖分別經(jīng)過一個3×3×3卷積和空洞卷積，將經(jīng)過處理的兩個特征圖相加后的特征，依次通過平均池化層以及全連接層得到重要性矩陣，將其與初始原始相乘得到通道自注意力模塊的輸出；

26、

27、

28、

29、

30、其中表示3x3x3卷積后的特征向量，w3*3*3表示3x3x3的卷積核權重矩陣，表示輸入向量，表示空洞卷積后的特征向量，wdilated表示空洞卷積權重矩陣，表示輸入向量，表示注意力系數(shù)，gap()表示全局平均池化操作，fc()表示全連接層，表示輸出向量。

31、優(yōu)選的，所述的空間自注意力模塊將初始特征圖經(jīng)過一個1×1×1卷積和通道自注意力模塊的輸出相加得到原始輸入，將特征圖依次經(jīng)過1×1×1單卷積層、重采樣層后經(jīng)過sigmoid函數(shù)得到注意力系數(shù)，與初始特征圖、通道自注意力模塊的輸出點乘后相加得到最終輸出：

32、

33、

34、

35、其中表示1x1x1卷積后的特征向量，w1*1*1表示1x1x1的卷積核權重矩陣，表示空間自注意力模塊的向量輸入，sigmoid()表示sigmoid激活函數(shù)，表示通道自注意力模塊的輸出，表示空間自注意力模塊的向量輸出，表示1x1x1卷積后的特征向量。

36、優(yōu)選的，評價單元選取dice系數(shù)和mpa作為評價指標。

37、與現(xiàn)有技術相比較，針對wmh圖像分割與三維重建問題，本發(fā)明提出了一種混合尺度注意力的wmh圖像分割模型，稱為mixattention-unet。該模型引入混合尺度的想法，通過引入混合卷積層和圖像混合尺度注意力機制，使模型在特征處理時可以兼顧多尺度的特征數(shù)據(jù)，實現(xiàn)了更加精確的腦白質(zhì)高信號分割。此外，通過marching?cubes算法實現(xiàn)了對分割后的圖像進行三維重建，為wmh的定量分析和重建提供了新的思路以及方法。

技術特征：

1.一種混合尺度注意力的wmh圖像分割系統(tǒng)，其特征在于，包括：

2.根據(jù)權利要求1所述的wmh圖像分割系統(tǒng)，其特征在于，所述mixatten-unet深度神經(jīng)網(wǎng)絡模型包括輸入模塊、特征提取模塊、跳躍連接模塊、圖像還原模塊和預測模塊；

3.根據(jù)權利要求2所述的wmh圖像分割系統(tǒng)，其特征在于，所述特征提取模塊包括五個特征編碼塊：

4.根據(jù)權利要求2所述的wmh圖像分割系統(tǒng)，其特征在于，所述圖像還原模塊包括四個特征解碼塊：

5.根據(jù)權利要求2所述的wmh圖像分割系統(tǒng)，其特征在于，所述跳躍連接模塊包括四個跳躍連接塊：

6.根據(jù)權利要求3所述的wmh圖像分割系統(tǒng)，其特征在于，所述的尺度自適應注意力層包括通道自注意力模塊和空間自注意力模塊：

7.根據(jù)權利要求6所述的wmh圖像分割系統(tǒng)，其特征在于，所述的空間自注意力模塊將初始特征圖經(jīng)過一個1×1×1卷積和通道自注意力模塊的輸出相加得到原始輸入，將特征圖依次經(jīng)過1×1×1單卷積層、重采樣層后經(jīng)過sigmoid函數(shù)得到注意力系數(shù)，與初始特征圖、通道自注意力模塊的輸出點乘后相加得到最終輸出：

8.根據(jù)權利要求2所述的wmh圖像分割系統(tǒng)，其特征在于：評價單元選取dice系數(shù)和mpa作為評價指標。

技術總結
本發(fā)明涉及一種混合尺度注意力的WMH圖像分割系統(tǒng)，屬于圖像分割技術領域，包括：獲取單元、增強單元、分割單元、評價單元、三維重建單元。首先進行文件格式轉化，獲取WMH圖像數(shù)據(jù)集；其次以數(shù)據(jù)增強的手段處理WMH圖像數(shù)據(jù)，獲得高質(zhì)量的訓練圖像數(shù)據(jù)集合；然后將所述WMH圖像數(shù)據(jù)集輸入至所述MixAtten?Unet深度神經(jīng)網(wǎng)絡模型，進行圖像的分割、三維重建的過程，得到病人WMH圖像數(shù)據(jù)的三維模型。該模型引入混合尺度的思想，通過引入混合卷積層和圖像混合尺度注意力機制，使模型在特征處理時可以兼顧多尺度的特征數(shù)據(jù)，實現(xiàn)了更加精確的腦白質(zhì)高信號分割。此外，通過Marching?Cubes算法實現(xiàn)了對分割后的圖像進行三維重建，為WMH的定量分析和重建提供了新的思路以及方法。

技術研發(fā)人員：楊健軍
受保護的技術使用者：山東省立第三醫(yī)院
技術研發(fā)日：
技術公布日：2024/12/26