[发明专利]一种基于改进的AU-Net网络的CT图像分割方法

权利要求书

1.一种基于改进的AU-Net网络的CT图像分割方法，其特征在于，获取待分割的脑CT图像，对获取的脑CT图像进行预处理；将处理好的图像输入到训练好的改进的AU-Net网络中进行图像识别分割，得到分割后的CT图像；根据分割后的脑CT图像识别脑出血区域；改进的AU-Net网络包括编码器、解码器以及跳跃连接部分；

所述编码器由重复的卷积层和池化层组成，用于提取输入图像的浅层特征和深层特征；

所述解码器由转置卷积层构成，用于恢复特征图的尺寸；

所述跳跃连接部分为残差八度卷积模块ROC和混合注意力机制模块组成；

对改进的AU-Net网络进行训练的过程包括：

S1：获取原始脑部CT图像，并对图像进行预处理，得到训练数据集；

S2：将训练集中的图像数据输入到改进的AU-Net网络进行处理；

S3：编码器的卷积层对输入的数据进行浅层特征提取，得到图像的浅层特征；

S4：跳跃连接部分的ROC结构将提取的浅层特征传递至混合注意力机制模块；所述步骤S4中残差八度卷积模块ROC还包括分别对图像的高频信息和低频信息进行处理，其中，高频信息处理公式为：

Y^H＝f(X^H；W^H→H)+upsample(f(X^L；W^L→H),2)

低频信息处理公式为：

Y^L＝f(X^L；W^L→L)+f(pool(X^H,2)；W^H→L)

其中，f(X^H；W^H→H)表示输入的高频分量和卷积核的高频信息相卷积，X^H表示 输入的高频分量，W^H→H表示卷积核中高频到高频部分的信息更新，upsample(.,2) 表示对输出进行步长为2的平均池化，X^L表示输入的低频分量，W^L→H表示卷积核中低频分量到高频分量的信息更新，W^L→L表示卷积核中低频分量到低频分量的信息更新，pool(X^H,2)表示对输入进行步长为2的平均池化，W^H→L表示卷积核中高频分量到低频分量的信息更新；

S5：混合注意力机制模块对目标区域特征和通道特征进行选择，并将选择后的特征传递至编码器的输出层；

所述步骤S5中还包括采用混合注意力机制模块对位置注意力特征矩阵和通道注意力特征矩阵进行组合，组合的公式为：

M＝E_P+E_T

其中，M表示混合注意力机制模块输出，E_P表示位置注意力特征矩阵，E_T表示通道注意力特征矩阵，E_Pj表示E_P中的每一个位置加权注意力特征向量，α表示超参数权重，H表示输入特征图的高度，W表示输入特征图的宽度，s_ji表示位置i和位置j之间的关联程度，D2_i表示特征图D2中的每个特征向量，A_i和A_j表示输入特征图中的每一个特征向量，E_Tj表示E_T中的每一个通道加权注意力特征向量，β表示超参数权重，C表示特征矩阵通道数，x_ji表示通道i对通道j的影响，B1_i表示特征图B1中的每个特征向量，C1_j表示特征图C1中的每个特征向量；

S6：解码器的反卷积层将经过编码器多次卷积和下采样得到深层特征图进行特征图尺寸恢复；

S7：将编码器上采样后的特征与混合注意力机制输出的特征进行特征拼接，将拼接后的特征图传递至最后一个卷积层，得到最后的特征图；

S8：将最后的特征图与标签图像进行逐像素比对，得到误差；

S9：根据误差结果计算模型的损失函数，并将误差通过反向传播算法输入到模型，更新在网络提取特征时候的卷积核权重和各模块中的参数，当损失函数最小时，完成模型的训练；改进的AU-Net网络的损失函数的表达式为：

其中，y_pred表示像素的预测值，y_true表示像素的真实标签值，pix表示逐像素遍历。