[发明专利]基于注意力机制的卷积神经网络医学图像关键点检测方法

权利要求书

1.一种基于注意力机制的卷积神经网络医学图像关键点检测方法，其特征在于，包括如下步骤：

步骤1，构建基于注意力机制的O型卷积神经网络，所述O型卷积神经网络包括注意力模块、关键点检测分支(JDB)和局部增强分支(LEB)；所述局部增强分支用于局部组织结构分支前景增强和结构提取，并减少细分支和粗分支之间前景的不平衡；所述局部增强分支和关键点检测分支包括编码器和解码器结构，并对不同层次的信息编码解码来生成热图；所述O型卷积神经网络利用注意力模块将局部增强分支的特征图引入关键点检测分支；

局部增强分支(1)由第二编码网络结构和第二解码网络结构组成，第二编码网络结构为下采样部分，即局部增强分支(1)的左半部分，自下而上分别命名为一级第二编码过程(11)、二级第二编码过程(12)、三级第二编码过程(13)和四级第二编码过程(14)；解码网络结构为上采样部分，即局部增强分支(1)的右半部分，自上而下分别命名为四级第二解码过程(18)、三级第二解码过程(17)、二级第二解码过程(16)和一级第二解码过程(15)；

关键点检测分支(2)由第一编码网络结构和第一解码网络结构组成，第一编码网络结构为下采样部分，即关键点检测分支(2)的左半部分，自上而下分别命名为一级第一编码过程(21)、二级第一编码过程(22)、三级第一编码过程(23)和四级第一编码过程(24)；解码网络结构为上采样部分，即关键点检测分支的右半部分，自下而上分别命名为四级第一解码过程(28)、三级第一解码过程(27)、二级第一解码过程(26)和一级第一解码过程(25)；

所述注意力模块(3)把局部增强分支(1)的特这图引入关键点检测分支(2)，给定来自第i个局部增强分支(1)的输入特征图，加权图可以表示为：

M_i＝σ₂(f(σ₁(f(P_i,w_i,1)),w_i,2))

其中，f(,)表示卷积函数，σ₁和σ₂分别表示ReLU和sigmoid激活函数；w_i,1和w_i,2都表示卷积参数；加权图M_i强调细枝区域前景；

然后，第i级别注意力特征图S_i′可以生成为：

其中和分别代表逐元素乘法和逐元素求和；S_i表示来自关键点检测分支第i个特征图的级别；

所述注意力模块分别在将局部增强分支(1)的四级第二解码过程(18)输出的特征图经过1*1卷积、ReLU函数、1*1卷积、Logistic函数后与关键点检测分支(2)的四级第一解码过程(28)输出的特征图进行逐元素乘法得到新的特征图，得到的新的特征图再与关键点检测分支(2)的四级第一解码过程(28)输出的特征图做逐元素加法操作得到特征图；

三级第二解码过程(17)输出的特征图经过1*1卷积、ReLU函数、1*1卷积、Logistic函数后与三级第一解码过程(27)的特征图进行逐元素乘法得到新的特征图，得到的新的特征图再与三级第一解码过程(27)输出的特征图做逐元素加法操作得到特征图；

二级第二解码过程(16)输出的特征图经过1*1卷积、ReLU函数、1*1卷积、Logistic函数后与二级第一解码过程(26)输出的特征图进行逐元素乘法得到新的特征图，得到的新的特征图再与二级第一解码过程(26)输出的特征图做逐元素加法操作得到特征图；

一级第二解码过程(15)输出的特征图经过1*1卷积、ReLU函数、1*1卷积、Logistic函数后与一级第一解码过程(25)输出的特征图进行逐元素乘法得到新的特征图，得到的新的特征图再与一级第一解码过程(25)输出的特征图做逐元素加法操作得到特征图，使得局部增强分支(1)的特征图引入关键点检测分支(2)，并建立这两个分支之间的互补关系，使网络专注于低对比度区域；最后再经过1*1卷积得到输出的热图；

步骤2，将训练集数据输入到步骤1中的O型卷积神经网络进行训练，得到学习后的O型卷积神经网络；

步骤3，将测试集数据输入到步骤2中学习后的O型卷积神经网络得到关键点热图，然后对所述关键点热图进行局部最大值提取，得到关键点的坐标。