[发明专利]一种前列腺病灶区域检测方法、装置及存储介质

权利要求书

1.一种基于动态多尺度感知自适应整合网络的前列腺病灶区域检测方法，其特征在于，包括如下步骤：

根据前列腺癌的数据集获取前列腺输入图像并得到张量；

将所述张量输入特征编码器，通过所述特征编码器利用动态池化卷积关注图像的局部信息，结合全局高效注意力机制关注图像的全局信息，通过像素加和以及卷积的操作将局部信息和全局信息进行整合，得到基于每一张图像多尺度的编码特征；

针对所述编码特征，通过对应的特征增强层得到特征表示；

通过解码器对所述特征表示进行特征解码，得到最终的前列腺病灶区域分割预测结果。

2.根据权利要求1所述一种基于动态多尺度感知自适应整合网络的前列腺病灶区域检测方法，其特征在于，根据前列腺癌的数据集获取前列腺输入图像并得到张量，包括：

根据前列腺的数据集划分具有固定数量的训练集和测试集，其中训练集和测试集都具有两个子集，即输入图像以及真值；

对前列腺训练集中的数据进行数据增强；

对增强后的图像进行格式转换，使其转化为网络能够处理的张量，得到batchsize大小的张量；

对前列腺测试集中的数据，对输入图像进行尺寸的调整，直接将图像进行张量化处理，得到的batchsize大小的张量。

3.根据权利要求1所述一种基于动态多尺度感知自适应整合网络的前列腺病灶区域检测方法，其特征在于：所述特征编码器为ResNet架构，并丢弃最后两层以保留空间结构，然后在每一层的输出后都添加全局-局部互补模块，以提取多尺度的上下文信息；并且会将除了第一层之外的所有层的特征存入特征金字塔。

4.根据权利要求3所述一种基于动态上下文感知滤波网络的视频显著性检测方法，其特征在于：所述全局-局部互补模块包括动态局部池化支路以及全局高效注意力的支路；

所述动态局部池化包括，在网络的每一层根据该层在整个网络的位置，给该层动态分配合适大小的池化层组合，以更好的提取局部信息；

所述全局高效注意力包括，直接对输入的特征图进行相似度比较的操作，从而得到相似度权重图；利用该权重图与输入图像的结合，计算出在全局范围下，需要被重点关注的区域。

5.根据权利要求1所述一种基于动态多尺度感知自适应整合网络的前列腺病灶区域检测方法，其特征在于：通过解码器对所述特征表示进行特征解码，得到最终的前列腺病灶区域分割预测结果，包括：

通过带有卷积的多级整合模块，利用层级互补的特性建立多级特征金字塔，将一张图像的多尺度信息自适应的编码进当前的金字塔特征向量中，得到包含有全局和局部的不同层次整合后的特征信息；

在多个阶段以渐进的方式对不同层级之间特征层进行自适应动态加权融合，得到最终的前列腺分割预测结果图，其中的融合权重则是通过卷积操作自动学习得到。

6.根据权利要求1所述一种基于动态多尺度感知自适应整合网络的前列腺病灶区域检测方法，其特征在于，针对所述编码特征，通过对应的特征增强层得到特征表示，包括：

在对应的特征融合层里，分别采用与特征编码器对应尺度的特征作为输入；

对于该尺度的特征，分别利用双流注意力机制和残差-注意力机制，进一步优化经过特征编码器后的特征表达；

对分别使用不同注意力变换后的相同空间分辨率的特征表达，采用像素级的加和得到融合后的更加丰富的特征表示。

7.根据权利要求6所述一种基于动态多尺度感知自适应整合网络的前列腺病灶区域检测方法，其特征在于，所述双流注意力机制，使用空间注意力和通道注意力计算出常规情况下网络应该重点关注的前景区域，随后对前景注意力的权重图进行归一化且反转的操作，使其重点关注背景，随后利用像素级的加和以及卷积操作得到融合后的特征表示；

所述残差-注意力机制，利用残差模块与自注意力、互注意力对输入的特征表示进行多路的残差化卷积操作，每个支路之间则是通过自注意力权重和互注意力权重的结合，实现支路之间的信息流动。