[发明专利]一种针对大脑病变融入注意力机制的MRI分割方法

权利要求书

1.一种针对大脑病变融入注意力机制的MRI分割方法，其特征在于：包括以下步骤；

步骤S1、收集有分割图结果的大脑MRI图像，建立训练集；

步骤S2、对训练集中待分割的原始大脑MRI图像进行预处理；

步骤S3、建立带有注意力机制的卷积神经网络，并以训练集对其模型进行训练；

步骤S4、当模型训练完成后，使用训练好的模型参数对验证集图像进行预测，并且生成大脑MRI组织与病变分割图；

步骤S5、建立评估文件，评估分割结果。

2.根据权利要求1所述的一种针对大脑病变融入注意力机制的MRI分割方法，其特征在于：在步骤S1中，使用包含大脑正常组织和病变组织的MRBRains18数据集，所述MRBRains18数据集的MRI图像包含T1、T2和Flair三种模态；在步骤S1中，对大脑MRI图像进行颅骨剥离处理。

3.根据权利要求2所述的一种针对大脑病变融入注意力机制的MRI分割方法，其特征在于：在步骤S2中以预处理来优化组织与病变分割结果，包括以下步骤；

步骤A1、针对T1图像，通过直方图均衡化处理，来增加图像中大脑组织尤其是灰质白质的对比度；

步骤A2、将3个连续切片堆叠为RGB图像，使3个切片的每个2D彩色图像形成类似3D表示的MR体积的一部分；

步骤A3、进行数据增强，其数据增强策略包括图像缩放和图像旋转。

4.根据权利要求2所述的一种针对大脑病变融入注意力机制的MRI分割方法，其特征在于：所述步骤S3中，建立带有注意力机制的2D卷积神经网络，所述注意力机制结合空间注意力、通道注意力并形成对应的模块，其方法如下：

首先通过输入特征图F(H*W*C)，计算出一个通道注意力模块，其中H为高度、W为宽度、C为通道数；接着，分别传进一个两层的神经网络MLP，即多层感知器，该多层感知器是共享的；然后按照通道顺序乘以这个模块；然后继续计算出空间注意力模块，继续按照宽高维度乘以这个模块，最后输出经过调整的特征图；所述空间注意力模块与通道注意力模块经完整训练后，用于提取出不同例子的白质病变特征以及位置，优化不规则的白质病变的分割结果。

5.根据权利要求4所述的一种针对大脑病变融入注意力机制的MRI分割方法，其特征在于：所述步骤S3中，建立带有注意力机制的2D卷积神经网络时，首先进行通道注意力的处理，具体步骤为：将输入的特征图F＝(H*W*C)分别经过基于宽和高的全局最大池化与全局平均池化，得到两个1*1*C的特征图，接着，分别传进一个两层的神经网络(MLP)，也就是多层感知器；所述多层感知器是共享的；然后将多层感知器输出的特征进行基于元素求和操作，再经过sigmoid函数激活操作，生成最终的通道注意力，即Mc；最后，将Mc和输入特征图F做元素乘法操作，生成空间注意力模块需要的输入特征，计算公式如下

其中，σ代表sigmoid函数，表示平均池化特征，表示最大池化特征，W₁,W₀代表着两个多层感知器的权重，输入进来多层感知器的和共享这两个权重，以提高模型泛化能力；

然后将通道注意力模块输出的特征图F'作为空间注意力模块的输入特征图；空间注意力模块的相关步骤为：首先做一个基于通道的全局最大池化与全局平均池化，得到两个H*W*1的特征图，然后将这两个特征图基于通道做拼接操作；然后经过一个7×7卷积降维为1个通道，即H*W*1；再经过sigmoid生成空间注意力，即Ms；最后将Ms和该模块的输入图做乘法，得到最终生成的特征；空间注意力计算公式如下：

f^7*7表示一个7×7卷积核的卷积运算。