[发明专利]一种基于多注意力的U型网络的CT肿瘤图像分割方法及系统

权利要求书

1.一种基于多注意力的U型网络的CT肿瘤图像分割方法，其特征在于，包括以下步骤：

基于UNet网络构建多注意力机制的U型网络模型；

根据U型网络模型构建U型网络模型的损失函数；

将CT图像输入至U型网络模型中，输出分割后的CT图像，实现CT图像中的肿瘤分割。

2.根据权利要求1所述的基于多注意力的U型网络的CT肿瘤图像分割方法，其特征在于，多注意力机制的U型网络模型包括Unet Backbone模块、visual attention模块和blending attention模块。

3.根据权利要求2所述的基于多注意力的U型网络的CT肿瘤图像分割方法，其特征在于，构建Unet Backbone模块如下：共五层结构，前四层包括两个卷积模块一个池化模块，最后一层包括两个卷积层；第一层结构的输出作为第二层结构的输入与visual attention 1的输入，第二层结构的输出作为第三层结构的输入与visual attention 2的输入，第三层结构的输出作为第四层结构的输入与visual attention 3的输入，第四层结构的输出作为第五层结构的输入与visual attention 4的输入，第五层结构的输出作为visualattention5的输入与整体结构的输出；

其中，第一至第四个卷积模块均由2个大小为3×3的卷积层和1个大小为2×2的最大池化层依次连接组成，第五个卷积模块由2个大小为3×3的卷积层依次连接组成。

4.根据权利要求2所述的基于多注意力的U型网络的CT肿瘤图像分割方法，其特征在于，构建visual attention模块如下：由多个分支组成，每一层分支由一个不带空洞的卷积A与一个带空洞的卷积B组成的注意力机制构成，卷积A输出为卷积B的输入，卷积B的输入进行Sigmoid操作后与卷积A的输出相乘作为该分支的输出，各个分支的输出由一个卷积进行整合；进行整合的卷积核大小为1*1；

第五层的输出作为blending attention 5与第四层的输入；第四层的输出作为blending attention 4与第三层的输入；第三层的输出作为blending attention 3与第二层的输入；第二层的输出作为blending attention 2与第一层的输入；第一层的输出作为blending attention 1的输入与整体的输出；

其中，每一层分支数量不一致，第一层含有五个分支，第二层含有四个分支，第三层含有三个分支，第四层含有二个分支，第五层含有一个分支；每一个分支的卷积核大小不一致，分支的深度depth₁与卷积A kernel_size₁大小的关系满足以下公式：

kernel_size₁＝2*depth₁+1

分支的深度depth₂与卷积B kernel_size₂大小的关系满足以下公式：