【技術實現步驟摘要】
本專利技術屬于圖像檢測，尤其涉及一種基于雙重注意力機制的肺結節檢測方法。
技術介紹
1、肺結節的cad系統通常包括兩個步驟：結節候選生成和假陽性減少。在第一步中，系統掃描ct圖像并生成可疑結節的候選框。通常，cad系統會嘗試檢測所有結節以進行準確診斷，從而導致許多假陽性候選者。在第二步中，重新評估所有候選框以去除非結節，因為假陽性可能會干擾準確診斷并導致不必要的治療。因此，如何保證高靈敏度和較低的假陽性率是一個具有挑戰性的問題。
2、傳統的肺結節檢測方法大多數依賴手工設計的特征或者描述符，這需要領域專業知識并且很難檢測到復雜區域的結節，這導致檢測精度十分受限。隨著深度學習的發展，基于cnn的方法被引入到目標檢測領域，大量的研究工作證明了其在結節檢測方向上的有效性。
3、研究人員通過在卷積網絡中添加注意力機制以進一步提升結節檢測網絡的性能。h.xiao等人利用多尺度空間信道注意力模塊msam在信道特征融合過程中保留空間特征，以捕獲高階統計信息，以增強對肺部小病變區域的感知。傳統的se注意力機制，通過全連接層隱式地學習通道關系，難以解釋通道之間的具體交互同時也會導致參數量以及計算復雜度的增加，并且可能會產生梯度消失的問題，從而影響模型訓練的穩定性和效果。為了克服se模塊中的空間信息丟失、計算復雜度高等問題，a.-m.rickmann提出了模塊通過沿高度、寬度和深度三個軸進行投影操作，以保留更多的空間信息，從而提高對空間細節的捕捉能力。z.yang提出的模塊也在sea的基礎上進行了改進。通過引入了通道歸一化層以
4、深度學習方法在肺結節的檢測上顯示出了前景，與注意力機制的結合將進一步提升檢測的精度。但目前大多數的研究選擇引入se、cbam、eca等傳統注意力機制，而這些傳統注意力機制存在計算復雜度較高、適用性受限、可解釋性不足等問題。此外，傳統的注意力機制最初是為2d卷積神經網絡設計的，在應用過程中可能會導致空間信息的丟失，所以在3d卷積神經網絡中直接應用的效果有限。
技術實現思路
1、本專利技術法目的是解決傳統的注意力機制復雜度較高、適用性受限以及空間信息丟失的問題。
2、為實現上述目的，本專利技術提供了一種基于雙重注意力機制的肺結節檢測方法，具體步驟：
3、s1、獲取數據，并進行預處理
4、將數據luna16轉為為hounsfield單位的強度，并將數據裁剪到[-1200,600]之間以提取肺實質的部分，進行強度標準化，將數據范圍線性映射到[0,255]之間；從數據集中提出3d?patch，并對3d?patch進行裁剪，結合目標結節的坐標信息，計算裁剪區域的起始點，通過縮放功能根據結節大小調整裁剪區域，然后對裁剪區域進行填充處理；最后返回裁剪后的3d?patch及調整后的結節位置和坐標信息；
5、s2、構建danet網絡，輸出肺結節檢測結果
6、s201、輸入尺寸為h×w×d的3d?ct?patch，經過兩個堆疊的卷積層處理后，再依次進行3d批量歸一化和relu激活函數處理；
7、s202、經過四個下采樣模塊得到特征圖，用最大池化操作使特征圖尺寸減半；
8、s203、步驟s202中的一部分特征圖進入瓶頸層，通過detr模塊利用自注意力機制進行全局特征建模，捕捉長距離的依賴關系和全局上下文信息；
9、s204、將步驟s203處理過的特征圖通過三個上采樣模塊，利用3d轉置卷積逐步恢復其空間尺寸，最終得到尺寸為h/4×w/4×d/4的特征圖；
10、s205、跳躍連接部分，將步驟s202中另一部分特征圖作為輸入經過多尺度特征聚合模塊和pea模塊處理后與步驟s204中得到的特征圖通過通道維度進行拼接，從而整合不同尺度的特征；
11、s206、雙結節檢測模塊包括ncd頭和fpr頭，經過ncd頭來生成結節預測框的位置deltas以及是否為結節的預測概率logits，并用于ncd的損失函數的計算；
12、s207、訓練達到65輪后，引入fpr頭訓練；fpr頭將來自ncd頭生成的候選框的位置映射的特征圖的感興趣區域roi作為輸入后會經過自適應最大池化將特征圖調整為統一大小，經過三個線性層，最后得到重新評分之后的結節預測位置deltas以及是否為結節的概率logits，用于fpr頭的損失函數的計算；根據步驟s206的ncd頭的損失和fpr的損失計算總損失，最后根據總損失利用反向傳播來校準模型；
13、s208、通過步驟s206中獲得的結節的預測框的位置deltas以及是否為結節的預測概率logits，來判斷肺結節是否為陽性；
14、從分類上，當結節的概率logits達到0.5以上，則圖像中對應位置處的組織是真陽肺結節；
15、從空間上，當預測框與真實框的3d交并比大于非極大值抑制得分，則認為該候選結節為真陽性，否則為假陽性；
16、s3、danet網絡的評估指標
17、采用froc曲線中的敏感度用于評價danet網絡，敏感度越高，檢測真陽性肺結節的能力就越強，敏感度計算公式：
18、
19、其中tp為模型檢測出的真陽性的結節的個數，fn為模型未檢測到的真陽性結節的個數。
20、有益效果：
21、本申請主要在u型編碼器和解碼器中引入了兩種注意力機制，即gcta和pea。這兩種注意力機制可以有效地捕獲上下文感知特征、空間關系和全局上下文信息。在模型中，還利用detr模型有效捕捉圖像中全局以及細粒度的上下文信息并通過多尺度特征聚合模塊提升對小結節的檢測性能。本申請中gcta模塊通過對每個通道的特征進行自適應校準，使得網絡能夠動態調整特征的重要性，從而更好的捕捉關鍵特征信息。
本文檔來自技高網...【技術保護點】
1.一種基于雙重注意力機制的肺結節檢測方法，其特征在于，具體步驟：
2.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，步驟S202中下采樣模塊由3D殘差模塊和GCTA模塊組成。
3.根據權利要求2所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，GCTA模塊具體如下：
4.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特在于，步驟S203中的DETR模塊具體如下：
5.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，PEA模塊具體如下：
6.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，多尺度特征聚合模塊中使用卷積對特征圖的通道數進行歸一化，使其與中間層的通道數一致；通過上采樣和下采樣將特征圖轉換為與中間層相同的尺度大小，然后使用3D卷積進行交錯融合；生成最終的輸出特征圖，其通道數和尺寸與中間層的特征圖相同。
7.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，步驟S206中NCD頭生成包含位置和分類信息的結節
8.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，步驟S208中交并比的實現：通過比較預測邊界框和真實目標檢測框的邊界，計算它們重疊部分的寬度、高度和深度；然后計算兩個邊界框重疊部分的體積，即交集體積；兩個邊界框的總覆蓋體積，即并集體積，等于兩個邊界框的體積之和減去重疊部分體積，用交集體積Intersection?Volume除以并集體積Union?Volume得到交并比，計算公式如下。
...【技術特征摘要】
1.一種基于雙重注意力機制的肺結節檢測方法，其特征在于，具體步驟：
2.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，步驟s202中下采樣模塊由3d殘差模塊和gcta模塊組成。
3.根據權利要求2所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，gcta模塊具體如下：
4.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特在于，步驟s203中的detr模塊具體如下：
5.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，pea模塊具體如下：
6.根據權利要求1所述的基于雙重注意力機制的肺結節檢測方法，其特征在于，多尺度特征聚合模塊中使用卷積對特征圖的通道數進行歸一化，使其與中間層的通道數一致；通過上采樣和下采樣將特征圖轉換為與中間層相...
【專利技術屬性】
技術研發人員：郭勁宏，楊彤妍，鄒媛媛，李典耕，王勇，李小松，郭九川，李毅，程偉，丁世家，
申請(專利權)人：重慶醫科大學紹興柯橋醫學檢驗技術研究中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。