[发明专利]基于深度学习的新生儿大脑图像分割方法及模型构建方法

权利要求书

1.基于深度学习的新生儿大脑图像分割模型构建方法，其特征在于，该方法包括以下步骤：

步骤1，获得新生儿大脑磁共振图像的数据集，将数据集中的双模态新生儿大脑磁共振图像和基准图像进行第一预处理，得到大小一致的二维双模态磁共振图像和二维基准图像；

所述的数据集中包括双模态新生儿大脑磁共振图像和基准图像；

步骤2，预构建特征强化双模态分割网络模型FedNet；

所述的特征强化双模态分割网络模型FedNet用于分割新生儿大脑图像，包括4个双通道特征强化下采样模块和4个注意上采样模块；

步骤3，以步骤1输出的大小一致的二维双模态磁共振图像作为输入，以大小一致的二维基准图像作为标签，对步骤2中预构建的特征强化双模态分割网络模型FedNet进行训练，得到训练好的特征强化双模态分割网络模型FedNet。

2.如权利要求1所述的基于深度学习的新生儿大脑图像分割模型构建方法，其特征在于，步骤2中，所述的双通道特征强化下采样模块用于对不同模态的图像进行特征提取和强化上采样输出后的特征；

所述的注意上采样模块结合通道注意力机制和空间注意力机制，使得输出特征同时具备通道和空间的注意特征；加大每个特征对应重要分割类别的权重，屏蔽不相干的特征信息，以提高分割的准确率。

3.如权利要求1所述的基于深度学习的新生儿大脑图像分割模型构建方法，其特征在于，步骤2中，所述的双通道特征强化下采样模块的双通道中的每个通道包含空间可分离的卷积层、ReLU激活函数层和最大池化层，双通道之间的特征值通过最大融合层相融合；

步骤2中，所述的注意上采样模块包含上采样模块和扩张融合注意力模块，所述的上采样模块包含反卷积层、空间可分离的卷积层、ReLU激活函数层和Concat。

4.如权利要求3所述的基于深度学习的新生儿大脑图像分割模型构建方法，其特征在于，所述的扩张融合注意力模块将通道注意力机制和空间注意力机制相结合，先对提取的特征进行通道注意力处理，将提取的特征与通道注意力处理后的特征进行融合处理；将融合处理后的特征进行提取，提取的特征进行空间注意力处理，将提取的特征与空间注意力处理后的特征进行融合处理，使输出特征同时具备通道和空间的注意特征。

5.如权利要求1所述的基于深度学习的新生儿大脑图像分割模型构建方法，其特征在于，将新生儿大脑磁共振图像的数据集分为训练集、验证集和测试集，对训练集和验证集中的双模态新生儿大脑磁共振图像和基准图像进行第一预处理。

6.如权利要求5所述的基于深度学习的新生儿大脑图像分割模型构建方法，其特征在于，所述的第一预处理的具体步骤为：

步骤1.1，对训练集和验证集中的双模态磁共振图像进行标准化预处理；

步骤1.2，对训练集和验证集中的经过标准化预处理的双模态磁共振图像和基准图像进行进行切片转化为二维双模态磁共振图像和二维基准图像；并将二维双模态磁共振图像和二维基准图像裁剪成大小一致的二维双模态磁共振图像和二维基准图像。