[发明专利]一种基于前向相关性的one-shot脑图像分割方法

权利要求书

1.一种基于前向相关性的one-shot脑图像分割方法，其特征在于，包括以下步骤：

S1、获取脑解剖结构图像并进行分类，得到有标注图像和未标注图像y；

S2、将有标注图像进行预处理并划分为图集x；

S3、构建SiamENet模型，SiamENet模型包括孪生编码器模块、双注意模块、解码器模块及损失函数模块，图集x及未标注图像y组成一组数据对并输入孪生编码器模块，分流处理得到这组数据的相关特征图；

S4、双注意模块接收孪生编码器模块的相关特征图，并捕捉相关特征图的局部特征及全局特征，融合图集x和未标注图像y的特征，得到融合特征；

S5、将融合特征输送给解码器模块，解码器模块同时接收孪生编码器模块分流处理得到的相关特征图和双注意模块的融合特征，将相关特征图和融合特征进行融合，配合损失函数模块约束得到图集x到未标注图像y的前向映射Δp；

S6、图集x通过warp操作，得到重建图像将前向映射Δp通过warp操作应用在图集x的标注上，配合损失函数模块得到有标注重建图像

2.如权利要求1所述的一种基于前向相关性的one-shot脑图像分割方法，其特征在于：所述孪生编码器模块包括若干个用于学习图像浅层特征的编码子模块，通过编码子模块分流处理图集x和未标注图像y，将处理得到的结果进行特征融合后得到相关特征图，输入双注意模块，通过双注意模块分别学习相关特征图空间和通道的信息并传输给解码器模块。

3.如权利要求2所述的一种基于前向相关性的one-shot脑图像分割方法，其特征在于：所述编码子模块具有5个分别为第一编码子模块、第二编码子模块、第三编码子模块、第四编码子模块及第五编码子模块组成处理流，孪生编码器具有2个处理流，每个处理流具有4个编码子模块，2个处理流同时连接第五编码子模块，第五编码子模块与双注意模块相连接。

4.如权利要求3所述的一种基于前向相关性的one-shot脑图像分割方法，其特征在于：所述双注意模块包括空间注意模块及通道注意模块，分别在空间维度和通道维度上捕捉信息，将空间注意模块与通道注意模块的结果相加，得到新的特征图。

5.如权利要求1-4所述的一种基于前向相关性的one-shot脑图像分割方法，其特征在于：所述解码器模块设有与编码子模块数量相匹配的解码子模块，分别为第一解码子模块、第二解码子模块、第三解码子模块、第四解码子模块及第五解码子模块，第一解码子模块分别与第五编码子模块及双注意模块相连接，第二解码子模块分别与2个处理流的第四编码子模块及第一解码子模块相连接，第三解码子模块分别与2个处理流的第三编码子模块及第二解码子模块相连接，第四解码子模块分别与2个处理流的第二编码子模块及第三解码子模块相连接，第五解码子模块与第四解码子模块相连接。

6.如权利要求5所述的一种基于前向相关性的one-shot脑图像分割方法，其特征在于：所述第四解码子模块输出到一个瓶颈残差模块并进行2倍上采样得到图集x到未标注图像y的前向映射Δp。

7.如权利要求1所述的一种基于前向相关性的one-shot脑图像分割方法，其特征在于：所述SiamENet模型还包括残差模块，残差模块与孪生编码器模块相配合缓解SiamENet模型的梯度消失，残差模块包括直接映射部及残差部，其公式为：

X_out＝F(X_in，{W_i})+X_in

其中，X_in表示输入，X_out表示输出，W_i表示SiamENet模型学习到的参数，F(X_in，{W_i})表示残差部，F+X_in表示直接映射部和残差部逐元素相加；残差模块采用基本残差模块或瓶颈残差模块。