[发明专利]一种带注意力机制的级联空洞卷积网络脑肿瘤分割方法

权利要求书

1.一种带注意力机制的级联空洞卷积网络脑肿瘤分割方法，步骤如下：

(1)数据预处理：

选取3D MR图像，构建包含不同脑肿瘤类型图像的训练集和验证集，并进行预处理。

(2)网络结构搭建，方法如下：

建立带注意力机制的级联空洞卷积网络采用三级级联框架，将多类分割任务化简为三个二类分割任务，降低分割难度、减少网络参数，三级分割的网络分别为W-Net、T-Net以及E-Net，分别用于分割脑肿瘤整体(WT)区域、肿瘤核(TC)区域以及增强肿瘤核(ET)区域；在每一级中分别从轴向、矢向和冠向三个方向进行分割，之后在三个方向的分割结果中求平均，得到较为准确的分割结果；

在带注意力机制的级联空洞卷积的三级级联框架中每一级的网络结构均为编码-解码的全卷积网络结构，分为编码器、解码器、跳层结构以及多层特征图融合四部分：

编码器为四层结构，第一层含有四个卷积核为尺寸为3×3×1的帧内卷积层，每个帧内卷积层后有一个批量归一化层(BN)以及一个用于非线性化的PReLU层，构成帧内卷积块，每两个帧内卷积块通过残差连接组成残差块；第二层含有两个残差块、一个降采样层和一个卷积核为尺寸为1×1×3的帧间卷积层，帧间卷积层后有一个BN层以及一个PReLU层构成帧间卷积块；第三层有三个残差块，一个帧间卷积块和一个降采样层；第二、第三个残差块分别加入扩张率为2、3的空洞卷积；第四层含有一个降采样层、三个扩张率为3的残差块以及一个反卷积层；

解码路径有三层结构，第一层有三个残差块，一个帧间卷积块以及一个上采样层，其中第一、第二个残差块分别加入扩张率为3、2的空洞卷积；第二层有两个残差块、一个帧间卷积块以及一个反卷积层；第三层含有两个残差块；

跳层连接有三条：第一条将编码器第一层输出特征图经过四次帧内卷积块操作加入解码器第二层输出的特征图的注意力，并与解码器第二层输出的特征图进行连接，作为解码器第三层的输入；第二条将编码器第二层输出特征图经过两次帧内卷积块操作加入解码器第一层输出的特征图的注意力，并与解码器第一层输出的特征图进行连接，作为解码器第二层的输入；第三条将编码器第三层的输出特征图加入编码器第四层输出的特征图的注意力，并与编码器第四层的输出特征图进行连接，作为解码器第一层的输入；

多层特征图融合将编码器第四层输出特征图进行两次帧间卷积、两次反卷积操作，解码器第一层输出特征图经过一次帧间卷积、一次反卷积操作，与解码器第二层输出特征图以及解码器第三层输出特征图进行连接，再通过一个二类分割的卷积作为最终输出；

(3)模型训练以及优化。