【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及一種圖像處理方法，具體涉及一種基于優(yōu)化unet與改進cbam的左心室分割方法。
技術(shù)介紹
1、根據(jù)世界衛(wèi)生組織的數(shù)據(jù)，心臟病是全球主要的致死疾病之一。準確、有效的早期診斷對于心臟病的治療和降低死亡率具有重要意義。左心室射血分數(shù)(ef值)反映了血流動力學(xué)和心肌收縮能力，ef值越低通常表明心室重構(gòu)越嚴重，心肌收縮功能越差。如果由于超聲心動圖圖像不清晰導(dǎo)致ef值計算不準確，可能會延誤心臟病患者的治療，甚至在許多情況下是致命的。因此，在當(dāng)前醫(yī)學(xué)研究中，對左心室射血分數(shù)進行自動、準確的評估至關(guān)重要。然而，現(xiàn)有的大多數(shù)自動化左心室分割方法(計算ef值的核心步驟)依賴于靜態(tài)影像，并且這些方法通常需要大量計算資源和較大的模型規(guī)模，限制了其在實際臨床輔助中的廣泛應(yīng)用。
2、當(dāng)前醫(yī)學(xué)輔助決策系統(tǒng)面臨的一個關(guān)鍵問題是計算資源和模型規(guī)模對其在實際臨床應(yīng)用中的限制。因此，如何在保持模型精度的同時，降低計算負擔(dān)和模型規(guī)模，成為該領(lǐng)域亟待解決的問題。其研究不僅能夠精確分割左心室，還可以實現(xiàn)對心臟病的準確、有效的早期診斷。
3、近年來，visiontransformer(vit)在各種計算機視覺任務(wù)中取得了一定的成功。然而,基于transformer的模型通常計算和內(nèi)存開銷較大，推理速度慢，硬件要求高，這些資源需求在某些研究機構(gòu)或企業(yè)中可能難以滿足。因此，在保證模型參數(shù)量較小的情況下提升左心室分割的精度顯得尤為重要。
4、左心室分割優(yōu)化技術(shù)主要有幾個問題需要解決：
5、1)現(xiàn)有大多數(shù)方法對圖像輸入像
6、2)分割技術(shù)對信息完整性要求較高。部分方法處理多尺度特征時，通常受限于特征融合的低效操作，導(dǎo)致特征提取和融合過程中出現(xiàn)信息丟失。
7、3)算法復(fù)雜度較高，實時性較差。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于優(yōu)化unet網(wǎng)絡(luò)與改進cbam注意力機制的左心室分割方法，本專利技術(shù)通過改進unet網(wǎng)絡(luò)和優(yōu)化cbam注意力機制，來增強特征表達能力并且進行輕量化設(shè)計以減少計算和存儲開銷。因此，更精確的輕量級醫(yī)學(xué)輔助決策系統(tǒng)方法是一個新的發(fā)展趨勢。
2、本專利技術(shù)是通過如下技術(shù)方案實現(xiàn)的：
3、第一方面，本專利技術(shù)提供了一種基于優(yōu)化unet網(wǎng)絡(luò)與改進cbam注意力機制的左心室分割方法及裝置，具體包括以下步驟：
4、s1構(gòu)建輕量化注意力機制scbam；將cbam注意力機制和輕量化注意力機制simam融合，其中cbam包含一個通道注意力模塊(cam)和空間注意力模塊(sam)。
5、s2構(gòu)建局部卷積vgg網(wǎng)絡(luò)；其中包含2個3×3卷積，兩個bn(batchnormalization)層，兩個relu函數(shù)，和一個scbam注意力機制。
6、s3優(yōu)化unet網(wǎng)絡(luò)；通過裁剪unet網(wǎng)絡(luò)進行輕量化設(shè)計減少計算和存儲開銷。
7、s4構(gòu)建nestedunet模塊；其中包含2個vgg網(wǎng)絡(luò)，2×2的最大池化層和2×2的上采樣，以及跳躍連接構(gòu)建迭代上下采樣塊(nestedunet模塊)。將裁剪后的unet網(wǎng)絡(luò)中的卷積層替換為nestedunet模塊。構(gòu)成改進后unet的網(wǎng)絡(luò)(da-unet++網(wǎng)絡(luò))。
8、作為優(yōu)選方案，步驟s1中，具體包括以下步驟：
9、s1-1：通道注意力機制操作：cam通過全局平均池化和全局最大池化來捕捉通道間的關(guān)系，生成通道注意力，給定輸入特征圖通道注意力模塊全局平均池化和全局最大池化的計算過程如公式(1)～(2)，
10、
11、fmax(c)＝maxi,jf(c,i,j)?(2)
12、其中h和w代表特征圖的高度和寬度，f(c,i,j)代表輸入特征圖，favg為全局平均池化結(jié)果，fmax為全局最大池化結(jié)果。
13、共享網(wǎng)絡(luò)：將這兩個描述子通過一個共享的多層感知機(mlp)，生成通道注意力圖計算過程如公式(3)，
14、mc＝σ(mlp(favg)+mlp(fmax))?(3)
15、其中σ是sigmoid激活函數(shù)，mlp由兩個全連接層組成，第一個全連接層的輸出維度為c/r(r是縮減率)，第二個全連接層的輸出維度為c。
16、注意力加權(quán)：將輸入特征圖與通道注意力圖相乘，計算過程如公式(4)，
17、f″＝mc⊙f′?(4)
18、其中，f′為輸入特征圖，mc為通道注意力圖，f″為加權(quán)后的輸出特征圖，⊙表示逐元素相乘。
19、s1-2：simam模塊通過優(yōu)化一個能量函數(shù)來計算注意力權(quán)重。能量函數(shù)是基于神經(jīng)科學(xué)中的空間抑制現(xiàn)象，定義了一個能量函數(shù)，用于衡量每個神經(jīng)元的重要性，計算過程如公式(5)，
20、
21、其中，μ和σ分別是通道的均值和方差，λ是一個超參數(shù)，t為神經(jīng)元。
22、s1-3：通過求解能量函數(shù)的閉合解，計算每個神經(jīng)元的重要性權(quán)重，計算過程如公式(6)，
23、
24、其中，d是特征圖的偏差平方和，v是通道方差，λ是一個超參數(shù)。
25、s1-4：使用注意力權(quán)重對輸入特征圖進行重新加權(quán)，得到輸出特征圖，計算過程如公式(7)，
26、xatt＝x×σ(einv)?(7)
27、其中，σ是sigmoid函數(shù)，x為輸入特征圖。
28、s1-5：空間注意力機制操作：sam模塊通過沿通道方向的全局平均池化和全局最大池化來捕捉空間位置間的關(guān)系，生成空間注意力圖。給定輸入特征圖，
29、通道方向的全局平均池化和全局最大池化得到兩個描述子和計算過程如公式(8)～(9)，
30、
31、fm′ax(i,j)＝maxc?f′(c,i,j)?(9)
32、其中f′(c,i,j)代表輸入特征圖，c為通道數(shù)，fa′vg為全局平均池化結(jié)果，fm′ax為全局最大池化結(jié)果。
33、s1-6：連接和卷積操作：將這兩個描述子在通道維度上連接起來，并通過卷積層生成空間注意力圖計算過程如公式(10)，
34、ms＝σ(conv([f′avg；f′max]))??(10)
35、其中，σ是sigmoid激活函數(shù)，[；]表示在通道維度上的連接操作，conv是一個7×7的卷積層。
36、s1-7：注意力加權(quán)：將輸入特征圖與空間注意力圖相乘，計算過程如公式(11)，
37、f″＝ms⊙f′?(11)
38、其中，f′為輸入特征圖，ms為空間注意力圖，f″為加權(quán)后的輸出特征圖。
39、s1-8：特征圖在進入注意力機制時先經(jīng)過cam模塊再經(jīng)過simam模塊再經(jīng)過sam模塊。
40、作為優(yōu)選方案，步驟s2中，具體包括以下步驟：
41、s2-1：特征圖輸入到vgg網(wǎng)絡(luò)，對輸入圖像進行3×本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割方法，其特征在于，所述方法包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割方法，其特征在于，所述步驟S1具體包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割方法，其特征在于，所述步驟S2中，具體包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割方法，其特征在于，所述步驟S3中，具體包括以下步驟：
5.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割方法，其特征在于，所述步驟4，包括以下具體過程：
6.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割方法，其特征在于，所述方法包括有一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割裝置如下：
7.根據(jù)權(quán)利要求6所述的一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割
8.根據(jù)權(quán)利要求6所述的一種基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割方法，其特征在于，所述計算機讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被處理器運行時執(zhí)行基于優(yōu)化UNet網(wǎng)絡(luò)與改進CBAM注意力機制的左心室分割。
...【技術(shù)特征摘要】
1.一種基于優(yōu)化unet網(wǎng)絡(luò)與改進cbam注意力機制的左心室分割方法，其特征在于，所述方法包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化unet網(wǎng)絡(luò)與改進cbam注意力機制的左心室分割方法，其特征在于，所述步驟s1具體包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化unet網(wǎng)絡(luò)與改進cbam注意力機制的左心室分割方法，其特征在于，所述步驟s2中，具體包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化unet網(wǎng)絡(luò)與改進cbam注意力機制的左心室分割方法，其特征在于，所述步驟s3中，具體包括以下步驟：
5.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化unet網(wǎng)絡(luò)與改進cbam注意力機制的左心室分割方法，其特征在于，所述步驟4，包括以下具體過程：
6.根據(jù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：曹克讓，趙淼，段麗妮，徐森，
申請(專利權(quán))人：沈陽化工大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。